基于 Python 的 AI 绘画用户评价自动分析与报告生成

报告生成 (report_generator.py)

这是产生商业价值的部分。除了统计分布，它会根据负面情绪占比给出具体行动建议。

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):
        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
        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
        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"

        # 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)

from report_generator import ReportGenerator

def main():
    analyzer = ReportGenerator()
    analyzer.generate_report()

if __name__ == "__main__":
    main()

部署与使用

1. 环境准备：确保安装了 Python 3.x。
2. 依赖安装：

   pip install textblob nltk
   

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

   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。
   

4. 运行脚本：

   python main.py
   

5. 查看结果：生成 review_analysis_report.md，其中包含统计数据和建议。

小结

这个项目展示了如何利用 Python 生态快速搭建分析工具。TextBlob 封装了复杂的 NLP 模型，让我们能用少量代码实现情感判断。更重要的是，它将主观零散的反馈转化为客观量化的数据，辅助团队基于事实而非猜测来决定产品方向。作为 MVP，它验证了需求，未来也可接入数据库或引入 BERT 等更高级模型进一步迭代。