基于SVM+TensorFlow+Django的酒店评论打分智能推荐系统——机器学习算法应用(含python工程源码)+数据集+模型（三）

---

前言

本项目以支持向量机（SVM）技术为核心，利用酒店评论数据集进行了情感分析模型的训练。通过使用Word2Vec生成词向量，该项目实现了一个打分推荐系统，其中服务器端提供数据，而客户端则查询数据。

首先，项目使用了酒店评论数据集，这些评论包括了来自不同用户的对酒店的评价。这些评论被用来训练情感分析模型，该模型能够分析文本并确定评论的情感极性，即正面、负面或中性。

其次，项目使用Word2Vec技术，将文本数据转换为词向量表示。这些词向量捕捉了不同词汇之间的语义关系，从而提高了文本分析的效果。这些词向量可以用于训练模型以进行情感分析。

在服务器端，项目提供了处理和存储酒店评论数据的功能。这意味着评论数据可以在服务器上进行管理、存储和更新。

在客户端，用户可以查询酒店评论数据，并获得关于特定酒店的情感分析结果。例如，用户可以输入酒店名称或位置，并获取该酒店的评论以及评论的情感分数，这有助于用户更好地了解其他人对酒店的评价。

总的来说，本项目基于SVM技术和Word2Vec词向量，提供了一个针对酒店评论情感的分析和打分推荐系统。这个系统可以帮助用户更好地了解酒店的口碑和评价，从而做出更明智的决策。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

系统流程图

系统流程如图所示。

运行环境

本部分包括Python环境、TensorFlow环境、 安装模块、MySQL数据库。

详见博客。

模块实现

本项目包括3个模块:数据预处理、模型训练及保存、模型测试，下面分别给出各模块的功能介绍及相关代码。

1. 数据预处理

详见博客。

2. 模型训练及保存

通过训练集训练数据得出模型，使模型进行情感分类。这里，使用训练集和测试集来拟合并保存模型。

详见博客。

3. 模型应用

详见博客。

系统测试

本部分包括训练准确率、测试效果及模型应用。

1. 训练准确率

测试准确率达到97%，意味着预测模型训练比较成功。通过调整惩罚系数©、核函数参数(gamma) 的值，在测试集上准确率达到85%，如图1和图2所示。

图1 模型准确率

图2 模型ROC曲线

2. 测试效果

将网上爬取的酒店评论集经过处理后加载模型，按照一定规则得到最终的分数，如图所示。

数据库中存储的结果显示如图所示。

3. 模型应用

因为资源有限，无法将Django项目部署到云服务器，只能在本地运行程序，下载Django项目到本地进入view.py页面，修改代码参数，连接到远程数据库。打开命令行窗口，进入文件所在的位置，输入命令:

python manage.py migrate

python manage.py runserver

打开浏览器界面，输入http://127.0.0.1:8000/search-post， 打开Python界面文件，如图所示。

界面中有一个输入框和一个查询按钮，结果在最下方输出，输入指定酒店的名称(数据库中存在)，得到酒店的评分和评论，如图所示。

单击“查询’按钮，得到该酒店的评分，如图所示。

相关其它博客

基于SVM+TensorFlow+Django的酒店评论打分智能推荐系统——机器学习算法应用(含python工程源码)+数据集+模型（一）

基于SVM+TensorFlow+Django的酒店评论打分智能推荐系统——机器学习算法应用(含python工程源码)+数据集+模型（二）

工程源代码下载

详见本人博客资源下载页

---

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。