人工智能数据服务 · 综合实践

课程代码：090945　　班级：人工智能251班（50人） 考试形式：上机实践 · 2 节连堂（90 分钟）· 个人独立完成

---

一、说明

类别词典（共 10 类，本试卷通用）：

0.剧情  1.喜剧  2.科幻  3.悬疑  4.动作
5.爱情  6.动画  7.犯罪  8.奇幻  9.纪录

注：一部电影一个类别

要求：

1. 独立完成
2. 可参考 gitea 中的模板文件
3. 禁止使用豆包等大模型工具
4. 完成后提交到 Gitea 仓库 final-practice

---

二、数据采集

爬取豆瓣电影 Top250 前 50 部电影信息，包含电影名称、主演、短评。数据保存为 movies.json。

JSON 字段示例：

{"rank": 1, "title": "肖申克的救赎", "actors": "蒂姆·罗宾斯 / 摩根·弗里曼", "quote": "希望让人自由。"}

---

三、数据处理与标注

读取 movies.json，整理出短评部分。并且使用 label-studio 进行数据标注。

操作要点：

• 过滤 quote 字段为空的电影
• 将待标注数据导入 label-studio
• 给每条短评标注 10 个类别中最显著的一个
• 导出标注结果

---

四、模型训练

使用标注的数据，使用 MLP 模型进行训练。获取训练时候的 loss 和 precision 两个数据，分别保存为 loss.csv 和 predictions.csv 两个文件。

操作要点：

• 用 TfidfVectorizer 提取文本特征
• 划分训练集 / 验证集
• 训练 MLP 模型并记录 loss
• 预测测试集并计算 precision

---

五、可视化编程

基于 loss.csv 和 predictions.csv 绘制 2 张图。

操作要点：

• 图 1：loss 曲线（横轴 epoch，纵轴 loss，含训练集和验证集）
• 图 2：10 个类别的预测分布柱状图

---

六、提交规范

6.1 必交文件

学号_姓名/
├── movies.json
├── quotes_processed.txt
├── process_stats.json
├── predictions.csv
├── my_labels.csv
├── report.md
└── images/
    ├── wordcloud.png
    └── category_bar.png

---