AI项目：基于BERT文本分类的食堂服务品质感知系统- Makelog(造物记)

1.项目介绍

1.1项目简介

在当今数字化时代，文本分类技术在诸多领域发挥着重要作用，从社交媒体情感分析到客户服务质量评估。预训练语言模型（如BERT）作为自然语言处理领域的核心技术，通过深度双向Transformer架构构建，凭借其强大的语义理解能力广泛应用于各类文本理解任务。

文本分类技术能自动分析大量反馈文本，精准识别学生对餐饮服务的态度倾向。本项目使用Mind+的AI工具库-文本分类库，通过图形化代码，结合BERT预训练模型，构建食堂服务品质感知系统。使用食堂服务评价数据集，通过BERT微调训练出情感分类模型，可直观理解文本分类原理，并训练出能自动识别"积极"、"消极"、"中性"三类评价的智能系统。

1.2项目效果视频

2.AI知识介绍

2.1 文本分类的概念与应用

概念：文本分类是将文本自动分配到预定义类别的任务，核心是通过模型学习文本特征与标签的映射关系。

应用场景：

情感分析：判断评论的正/负面情绪（如“菜品好吃” vs. “排队太久”）。

主题分类：区分反馈类型（服务、卫生、价格等）。

需求挖掘：识别学生提出的改进建议。

2.2 BERT模型与其作用

BERT简介：

BERT 是由 Google 提出的基于 Transformer 的预训练语言模型，其核心优势在于：

双向上下文理解：通过 Masked Language Model (MLM) 和 Next Sentence Prediction (NSP) 任务，学习词语在句子中的上下文关系。

强大的语义表征能力：在大规模语料（如 Wikipedia、BookCorpus）上预训练，能有效捕捉文本的深层语义特征。

通用性强：适用于多种 NLP 任务（文本分类、问答、命名实体识别等）。

在本项目中，我们使用 BERT-base-Chinese 版本，适用于中文文本处理。

作用： BERT能够捕捉深层语义信息，微调时仅需添加简单输出层即可高效解决文本分类问题，显著提升准确率。

2.3 BERT + Fine-tuning实现文本分类流程

Fine-tuning（微调）

Fine-tuning 是指在预训练模型的基础上，使用特定领域的数据进行进一步训练，使其适应具体任务（如文本分类）。

整体流程

2.4 AI工具库介绍

在Mind+软件中有一个名为"文本分类"AI工具库，如下图。

这个库包含了四个部分：加载数据、设置模型参数、模型训练和基本的模型操作。通过加载数据部分，可以初始化模块，设置文本类别标签，设置测试的数据，并加载训练数据集；在模型参数部分，设置模型参数和训练参数，可以很清晰直观的了解模型的设置过程；在模型训练部分，需要设置预训练模型的文件路径，并进行进一步的训练和验证；在模型操作部分，可进行模型的评估，模型导出与导入，以及获取推理结果等操作。

3.软硬件环境准备

3.1软硬件器材清单

3.2软件环境准备

在Mind+软件中点击左下角'扩展库'，在用户库中搜索一下链接：https://gitee.com/chenqi1233/ext-text-cnn，搜索并点击加载'文本分类'库。

在加载本库时，会自动检查并下载运行库需要的python依赖包，点击'立即下载'即可。

4.训练并应用文本分类模型

使用自定义的数据集，通过加载预训练模型bert-base-chinese，训练一个文本分类模型，完成食堂评价分类任务。

4.1数据集准备

数据集内容为对食堂服务品质的评价，分为积极、消极和中性三类。每个类别都提供了30条以上的真实场景评价数据，涵盖了菜品质量、服务态度、环境卫生、价格等多个方面，确保模型训练的有效性和实用性。

以下是数据集的结构和内容示例：（数据集见最后附录）

代码

data/
├── 积极.txt
├── 消极.txt
└── 中性.txt

4.2加载数据

将数据集文件夹拖入项目中的文件目录下，如下图。

设置识别结果类别为（注意用英文标点格式）：'积极', '消极', '中性'

设置测试数据（测试数据个数和内容任意）：'今天的菜真好吃', '排队太久了', '食堂服务还行吧'

填入数据集的文件路径：data

4.3模型训练

下载预训练模型bert-base-chinese（预训练模型见最后附录）。

将预训练模型文件夹的实际路径填入下方方框内，注意格式，如下图。

使用以下训练代码完成训练，将训练好的模型保存为'bert_test_model.pth'

当程序运行结束后，我们刷新右侧'项目中的文件'，看到自动生成了一个名为'bert_text_model.pth'的文件，这就是我们训练得到的食堂评价文本分类模型。

4.4应用模型完成推理

点击运行程序，可以观察模型对测试数据的推理结果。

加载之前训练好保存的模型文件进行预测，运行如下程序并观察结果输出：

5.资料附录

资源链接: https://pan.baidu.com/s/1UqJe-jORz3i9w1SjqR2QSw?pwd=azhq

AI项目：基于BERT文本分类的食堂服务品质感知系统 简单