python情感分类系统 深度学习 细粒度情感分类预测 Flask框架 PaddleHub 计算机 数据集OCEMOTION 毕业设计（建议收藏）

博主介绍：✌全网粉丝10W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战6年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2025年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

本项目主要基于PaddleHub通过预训练模型Erine-tiny在中文7情感分类数据集OCEMOTION上进行微调训练从而实现较为精确的情感7分类任务：
微情感分类: 愉快、难过、喜欢、愤怒、害怕、惊讶、厌恶（7个类别）

（1）基于PyQt5完成了项目可视化界面的开发，支持支持单条和批量文本细粒度情感分类预测。
（2）该项目前后端分离式的web端部署，
所用技术栈：前端：Vue+Element UI；后端：Flask+PaddleHub。

2、项目界面

（1）情感分类—愉快

（2）情感分类—惊讶

（3）情感分类—厌恶

（4）QT界面—单条情感分类

（5）QT界面—批量情感分类

（6）QT界面—批量情感分类

（7）QT界面—批量情感分类–输出结果

3、项目说明

本项目主要基于PaddleHub通过预训练模型Erine-tiny在中文7情感分类数据集OCEMOTION上进行微调训练从而实现较为精确的情感7分类任务：
微情感分类: 愉快、难过、喜欢、愤怒、害怕、惊讶、厌恶（7个类别）

（1）基于PyQt5完成了项目可视化界面的开发，支持支持单条和批量文本细粒度情感分类预测。
（2）该项目前后端分离式的web端部署，所用技术栈：前端：Vue+Element UI；后端：Flask+PaddleHub。

4、核心代码

importpaddlehubashubimportinterfaceimportsysimportxlrdimportcsvimportreimportpandasaspdimportnumpyasnpfromfunctoolsimportpartialfromPyQt5.QtGuiimportQPixmapfromPyQt5.QtWidgetsimportQApplication,QMainWindowfromtimeimporttime# 单条文本情感分类defSingle_classification(ui):content=ui.textEdit.toPlainText()# 获取输入的要进行情感分类的文本# 要进行情感分类的文本内容不能为空ifcontent=='':ui.label_3.setVisible(False)# 隐藏结果ui.lineEdit_5.setVisible(False)ui.warn1()# 提示补全文本内容else:# 格式处理：data=[]list=[]list.append(content)data.append(list)t1=time()# 对单条文本进行预测label=model.predict(data,max_seq_len=128,batch_size=16,use_gpu=False)# 若下载了GPU的paddle，可以将此处use_gpu设置为Truet2=time()# 单条预测时间检测print('单条文本分类CPU环境下预测耗时（毫秒）：%.3f'%((t2-t1)*1000.0))ui.lineEdit_5.setText(label[0])# 完成预测后在界面显示预测的情感类别ui.label_3.setVisible(True)ui.lineEdit_5.setVisible(True)# 批量文本情感分类defBatch_classification(ui):excel_path=ui.lineEdit_2.text()# 获取输入文件路径output_path=ui.lineEdit_4.text()# 获取输出文件路径# 路径不能为空ifexcel_path=='':ui.warn2()# 提示未选择要进行批量情感分类的excel文件elifoutput_path=='':ui.warn3()# 提示未选择生成结果文件输出路径else:# ui.showloading() # 显示加载中# 读取导入的excel文件df=pd.read_excel(excel_path)# 格式处理：news=pd.DataFrame(columns=['content'])news['content']=df["content"]# 首先将pandas读取的数据转化为arraydata_array=np.array(news)# 然后转化为list形式data_list=data_array.tolist()# 批量文本预测results=model.predict(data_list,max_seq_len=128,batch_size=16,use_gpu=False)# 若下载了GPU的paddle，可以将此处use_gpu设置为Truedf['label']=results# 将结果填充到label列上# 保存结果文件为excel文件df.to_excel(output_path,sheet_name='预测结果',index=False,header=True)# ui.cancelloading() # 完成预测后取消显示加载中ui.success()# 提示分类完成if__name__=='__main__':# 定义要进行情感分类的7个类别label_list=['难过','愉快','喜欢','愤怒','害怕','惊讶','厌恶']label_map={idx:label_textforidx,label_textinenumerate(label_list)}# 加载训练好的模型model=hub.Module(name='ernie_tiny',version='2.0.2',# 与训练时统一好，若未指定版本将自动下载最新的版本task='seq-cls',num_classes=7,load_checkpoint='../Ernie-model/model.pdparams',# 注意模型参数一定要加载对！label_map=label_map)app=QApplication(sys.argv)MainWindow=QMainWindow()ui=interface.Ui_Form()ui.setupUi(MainWindow)MainWindow.show()# 为按钮绑定相关功能函数完成功能添加：# 单条文本情感分类ui.pushButton.clicked.connect(partial(Single_classification,ui))# 批量文本情感分类ui.pushButton_4.clicked.connect(partial(Batch_classification,ui))sys.exit(app.exec_())

5、项目获取

（绿色聊天软件）yuanmazhiwu 或 biyesheji0005

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻