背景：
文本信息处理工程实践的结课作业。要求运用NLTK在提供的材料中挑选一样，最后完成一个能解决实际问题的系统。
我向老师咨询“NLTK在文本处理领域有哪些应用方向”，在老师回答后，我选择了运用NLTK来处理文本的情感倾向。
重要决策
1 为什么保留情感符号
数据预处理时，我偶然发现一些类似“用户说太赞了!!!”被系统判为中性，但明显是强烈好评！咨询老师后，发现这是一种误判。跟老师深入探讨后，我们认为应该是数据预处理时，没有考虑符号的情感表达，按标准滤除规律进行了去除。
于是，我设计了保留‘!!!’的清洗规则，让模型真正‘听懂’用户情绪。
2 为何选用逻辑回归
理由有三：一是应用场景。结项当天有一份全新的测试集，要求到场后现场进行输入和演示。如果模型训练时间很长，可能交不了差，更别提后期这个项目的进一步开发。二，后期项目进一步开发工作，有类似“客服主管问：“为什么‘服务太差了???’被判负面？”这样需要解释和人为判定的方向。模型最好方便人为进行调整，以及可解释性强。三是条件。当天设备为我的旧笔记本，没有GPU。训练数据也只有那一张xlsx表。
选用逻辑回归，是看中它训练/部署极快、无需GPU、可解释性强，同时性能足够完成任务。SVM调参复杂、 决策边界难解释，随机森林数据集太小易过拟合、神经网络/BERT需GPU+大量数据。
最后结果
结项当天，我提前十分钟到场演示，最终花费15分钟左右第一个完成现场演示，以新数据集高于70%的准确率以及最快速度顺利交付项目，获得老师的大受好评。后来的进一步开发，我因为个人安排没有去，而是把项目交接给老师和她的学生完成。据说，这个系统后面用于社交媒体评论，因为速度很快同时准确率足够，3 天内部署上线，分析效率提升 30%+并获业务采纳。
反思：AI落地的真谛
从项目中提炼认知：
“如果重做，我会：
- 用
train_data.xlsx中的负向样本做类别平衡（当前负向样本少） - 用
result.txt的预测结果做AB测试（对比BERT） - 加入LIME解释（‘!!!’如何影响预测）
但最核心的收获：
AI不是追求模型复杂度，而是解决业务问题。就像这一次，虽然逻辑回归大体上性能不如其他模型。但是在当时要解决的问题中是最适合的。如果当时选用其他模型，准确率可能更高，但恐怕不会有后面的发展与写这篇文章的缘由了。