B站热门视频与评论情感分析-KNN、逻辑回归、随机森林、XGBoost、朴素贝叶斯、SVM

项目描述 B站热门视频与评论情感分析

本项目以 B 站「入站必刷」热门视频为研究对象，完成从数据采集到可视化呈现的完整数据分析链路。通过爬虫采集 98 个热门视频及其评论区热度前 100 条评论（共 9700 条），经清洗、脱敏与人工情感标注后得到 9061 条建模样本，在此基础上开展视频互动规律分析、评论情感三分类建模与评论主题聚类，并搭建 Web 展示页集中呈现分析成果与在线预测能力。

浏览器访问 http://127.0.0.1:5000

项目功能

视频指标分析：从播放、点赞、投币、收藏、分享、评论六个维度构造互动率衍生指标，输出 10 张可视化图表揭示流量与互动规律。评论情感分类：对比 KNN、逻辑回归、随机森林、XGBoost、朴素贝叶斯、SVM 六种模型，逻辑回归最优（测试集准确率 0.6702、macro-F1 0.63）。评论主题聚类：挖掘出玩梗打卡、长篇感想、视频内容评价、弹幕礼仪、UP 主互动 5 个主题簇。Web 展示页：集成 17 张图表、模型对比结论与评论情感在线预测功能，输入任意评论即可实时返回情感极性。

运行环境

Windows 操作系统，Python 3.11+（开发环境 3.12.3），依赖见 requirements.txt；词云图需脚本目录下存在 simhei.ttf 中文字体文件（Windows 可从系统字体目录复制）。数据、预测模型（评论情感分类.pkl，约 21 MB）随仓库发布，克隆后安装依赖即可运行，无需额外下载数据集或模型；Web 展示页通过 cd web && python app.py 启动，浏览器访问 http://127.0.0.1:5000 。

项目技术

数据采集：Requests 调用 B 站视频与评论接口（wbi 签名、游标翻页），SHA-256 加盐哈希与假名映射完成数据脱敏。数据处理：Pandas、NumPy 清洗与特征构造，Jieba 分词，哈工大停用词表过滤，正则清洗。特征工程：词级 TF-IDF（1-2 元）与字级 TF-IDF（char_wb，2-3 元）双路拼接，构成 9061×435703 维稀疏矩阵。建模：Scikit-learn 实现 6 模型训练、网格搜索与分层 5 折交叉验证，XGBoost 集成对比，class_weight 处理类别不均衡；TF-IDF + TruncatedSVD + 归一化 + KMeans 完成聚类，SSE/轮廓系数/CH 指数辅助定 k，t-SNE 降维可视化。可视化：Matplotlib、Seaborn、WordCloud 输出 17 张图表。模型部署：Joblib 打包向量器与最优模型，Flask 提供预测 API 与图表路由，HTML/CSS/JavaScript 实现单页展示。

以上系统源码经过技术整理与调试，确保能正常运行