Python 实现 AI 绘画用户评价自动分析与报告生成

Python 实现 AI 绘画用户评价自动分析与报告生成

将数据科学、人工智能与商业决策结合起来，是提升产品迭代效率的关键。下面我将提供一个完整的基于 Python 的'AI 绘画用户评价分析'程序，帮助团队从海量反馈中快速提取价值。

项目背景与痛点

对于 AI 绘画产品（如 Midjourney, Stable Diffusion 等）的团队来说，每天 Discord、应用商店或社区涌入的用户反馈往往令人头疼。人工阅读成千上万条评论不仅效率低下，还容易遗漏关键信息。

传统处理方式通常面临几个核心问题：

• 信息过载：数据量巨大，人工分析耗时且易出错。
• 主观偏差：不同人员对同一批评论的解读可能不一致。
• 洞察滞后：等到人工总结完趋势，最佳响应时机可能已过。
• 难以量化：无法精确衡量功能改进后，用户满意度是否真正提升。

本方案旨在通过自动化流水线解决这些问题，将主观评价转化为客观数据。

核心逻辑设计

整个分析流程分为四个步骤，确保高效且可维护：

1. 数据输入：读取包含用户评价的文本文件，每行一条。
2. 文本预处理：清洗数据，转为小写并移除标点，提高分析准确度。
3. 情绪分析：调用预训练的 NLP 模型（TextBlob），计算极性分数。
4. 报告生成：汇总统计结果，提取代表性评论，并自动生成 Markdown 格式的分析报告和改进建议。

代码模块化实现

为了保持代码清晰，我们将逻辑拆分为三个主要模块和一个入口文件。

配置文件 (config.py)

这里存放路径设置和分类阈值。调整阈值可以适应不同的业务场景。

# config.py
FEEDBACK_FILE_PATH = "user_reviews.txt"  # 输入的用户评价文件路径
REPORT_OUTPUT_PATH = "review_analysis_report.md"  # 生成的报告文件路径

# 定义情绪分类的阈值
SATISFIED_THRESHOLD = 0.3
UNSATISFIED_THRESHOLD = -0.3

评价分析核心模块 (review_analyzer.py)

这个类负责加载数据、清洗文本以及调用 TextBlob 进行情感打分。注意 NLTK 的数据包下载逻辑，首次运行会自动处理。

# review_analyzer.py
import nltk
from textblob import TextBlob
import string
from collections import Counter
from config import FEEDBACK_FILE_PATH, SATISFIED_THRESHOLD, UNSATISFIED_THRESHOLD

# 确保 NLTK 的 punkt 分词器已下载
try:
    nltk.data.find('tokenizers/punkt')
except LookupError:
    print("[INFO] Downloading required NLTK resource...")
    nltk.download('punkt')

class ReviewAnalyzer:
    def __init__(self):
        pass

    def _preprocess_text(self, text):
        """
        对文本进行简单的预处理，移除标点符号并转为小写。
        """
        translator = str.maketrans('', '', string.punctuation)
        text_no_punct = text.translate(translator)
        return text_no_punct.lower()

    def analyze_single_review(self, review_text):
        """
        分析单条评价的情绪。
        Returns:
            tuple: (sentiment_label, polarity_score)
        """
        preprocessed_text = self._preprocess_text(review_text)
        blob = TextBlob(preprocessed_text)
        polarity = blob.sentiment.polarity

        if polarity > SATISFIED_THRESHOLD:
            label = 'Satisfied'
        elif polarity < UNSATISFIED_THRESHOLD:
            label = 'Unsatisfied'
        else:
            label = 'Neutral'
        return label, polarity

    def analyze_all_reviews(self):
        """
        读取文件中的所有评价并进行分析。
        """
        results = []
        try:
            with open(FEEDBACK_FILE_PATH, 'r', encoding='utf-8') as f:
                review_lines = f.readlines()
            print(f"[INFO] Loaded {len(review_lines)} review entries.")
            for line_num, line in enumerate(review_lines):
                review = line.strip()
                if not review:
                    continue
                label, score = self.analyze_single_review(review)
                results.append({
                    'original_text': review,
                    'sentiment_label': label,
                    'polarity_score': score,
                    'line_number': line_num + 1
                })
            return results
        except FileNotFoundError:
            print(f"[ERROR] Review file not found at '{FEEDBACK_FILE_PATH}'")
            return []

报告生成模块 (report_generator.py)

这是产生商业价值的部分。它不仅统计比例，还会根据负面评价的占比给出针对性的行动建议。

# report_generator.py
from collections import Counter
from review_analyzer import ReviewAnalyzer
from config import REPORT_OUTPUT_PATH

class ReportGenerator:
    def __init__(self):
        self.analyzer = ReviewAnalyzer()

    def generate_report(self):
        """
        生成并保存评价分析报告。
        """
        print("\n--- 开始进行评价分析 ---")
        analysis_results = self.analyzer.analyze_all_reviews()
        if not analysis_results:
            print("[FAIL] 没有可分析的数据，报告生成中止。")
            return

        # 1. 统计情绪分布
        labels = [res['sentiment_label'] for res in analysis_results]
        label_counts = Counter(labels)
        total_reviews = len(analysis_results)

        satisfied_percentage = (label_counts.get('Satisfied', 0) / total_reviews) * 100
        unsatisfied_percentage = (label_counts.get('Unsatisfied', 0) / total_reviews) * 100
        neutral_percentage = (label_counts.get('Neutral', 0) / total_reviews) * 100

        # 2. 提取代表性评论
        top_satisfied = sorted([res for res in analysis_results if res['sentiment_label'] == 'Satisfied'],
                               key=lambda x: x['polarity_score'], reverse=True)[:3]
        top_unsatisfied = sorted([res for res in analysis_results if res['sentiment_label'] == 'Unsatisfied'],
                                 key=lambda x: x['polarity_score'])[:3]

        # 3. 生成改进建议 (核心商业洞察)
        suggestions = []
        if unsatisfied_percentage > 30:
            suggestions.append("- **紧急行动**：负面情绪占比超过 30%，表明产品存在严重的用户体验问题。应立即组织跨部门会议，深入分析负面评论的具体内容，优先解决高频出现的 Bug 和功能缺陷。")
        elif unsatisfied_percentage > 15:
            suggestions.append("- **重点关注**：负面情绪值得警惕。建议对用户抱怨最多的几个方面进行专项调研，并考虑推出针对性的小版本更新进行修复和优化。")
        if satisfied_percentage > 70:
            suggestions.append("- **乘胜追击**：正面反馈极高，说明产品核心价值得到广泛认可。可考虑加大市场宣传力度，或在现有好评基础上，挖掘用户喜爱的深层原因，并尝试应用到新功能的开发中。")
        if neutral_percentage > 40:
            suggestions.append("- **激活沉默用户**：大量中性评价意味着用户对产品印象平平。可以尝试发起社区活动、征集创意、或与活跃用户建立更紧密的联系，引导他们提供更深入的反馈，并提升他们对产品的参与度。")

        # 4. 构建 Markdown 报告内容
        report_content = f"# AI 绘画产品用户评价分析报告\n\n"
        report_content += f"**分析时间**: 自动生成\n"
        report_content += f"**数据来源**: `{self.analyzer.FEEDBACK_FILE_PATH}`\n"
        report_content += f"**总评价数**: {total_reviews}\n\n"

        report_content += "## 1. 情绪分布概览\n\n"
        report_content += f"- **满意**: {label_counts.get('Satisfied', 0)} 条 ({satisfied_percentage:.2f}%)\n"
        report_content += f"- **不满意**: {label_counts.get('Unsatisfied', 0)} 条 ({unsatisfied_percentage:.2f}%)\n"
        report_content += f"- **中性**: {label_counts.get('Neutral', 0)} 条 ({neutral_percentage:.2f}%)\n\n"

        report_content += "## 2. 洞察与建议\n\n"
        if not suggestions:
            report_content += "> 用户反馈整体健康，情绪分布较为均衡，暂无明显问题。\n\n"
        else:
            for suggestion in suggestions:
                report_content += f"> {suggestion}\n"
        report_content += "\n"

        report_content += "## 3. 代表性评论\n\n"
        report_content += "### 👍 Top 满意评论\n\n"
        if top_satisfied:
            for comment in top_satisfied:
                report_content += f"- `{comment['polarity_score']:.2f}` **{comment['original_text']}**\n"
        else:
            report_content += "无显著满意评论。\n"
        report_content += "\n"

        report_content += "### 👎 Top 不满意评论\n\n"
        if top_unsatisfied:
            for comment in top_unsatisfied:
                report_content += f"- `{comment['polarity_score']:.2f}` **{comment['original_text']}**\n"
        else:
            report_content += "无显著不满意评论。\n"
        report_content += "\n"

        # 5. 保存报告
        with open(REPORT_OUTPUT_PATH, 'w', encoding='utf-8') as f:
            f.write(report_content)
        print(f"[SUCCESS] 报告已成功生成：{REPORT_OUTPUT_PATH}")
        print("您可以用任何 Markdown 阅读器或编辑器打开它。")

主程序入口 (main.py)

最简单的启动方式，直接运行即可。

# main.py
from report_generator import ReportGenerator

def main():
    print("="*50)
    print(" Welcome to ArtCriticScope - Review Analyzer ")
    print("="*50)
    analyzer = ReportGenerator()
    analyzer.generate_report()

if __name__ == "__main__":
    main()

环境搭建与运行

准备好代码后，我们需要配置运行环境。建议使用虚拟环境以保持依赖隔离。

1. 克隆仓库

   git clone https://github.com/your_username/ArtCriticScope.git
   cd ArtCriticScope
   

2. 创建虚拟环境

   python -m venv venv
   source venv/bin/activate  # Windows: venv\Scripts\activate
   

3. 安装依赖 创建一个 requirements.txt 文件：

   textblob
   nltk
   

   然后执行：

   pip install -r requirements.txt
   

4. 准备数据 在项目根目录创建 user_reviews.txt，逐行写入用户评价。例如：

   这个模型画的风景太美了，光影处理简直是神来之笔！
   生成速度太慢了，而且经常断线，非常失望。
   还行吧，能出图，但跟我的描述总感觉差了点意思。
   

5. 运行程序

   python main.py
   

   完成后，查看生成的 review_analysis_report.md 文件。

技术要点

在这个项目中，有几个关键点值得注意：

• NLP 库的选择：我们使用了 TextBlob，它封装了复杂的 NLP 模型，几行代码就能实现情绪判断，非常适合快速落地原型。
• 数据驱动决策：工具将零散的主观评价转化为了客观的百分比和排名，让产品迭代不再靠猜。
• 闭环反馈系统：这不仅是分析工具，更是闭环系统的前半部分。它为后续的'采取行动'提供了坚实基础，推动产品持续进化。

总结

这个项目展示了如何利用现有的 Python 生态系统快速搭建一个功能强大的分析工具。它不仅仅是一个技术 Demo，更是一个具有明确市场定位的可实际使用的产品。通过量化用户情绪，团队可以更精准地定位体验问题，优化产品方向。希望这套方案能为你的 AI 产品开发提供助力。