社交网络情感分析

功能需求

这是一个基于集群的批量社交媒体文本情感分析应用，要求实现：

1. 用户可以上传文本文件，换行符分隔，表示需要分析的语句。语句数在1k量级。
2. 系统返还相应语句的分析结果。包括情感积极性、置信度、情感分布等统计信息。
3. 用户可以下载分析结果。

任务分解

经过研究，可以将任务分解成多个子任务，每个子任务由一个或多个团队负责，从而充分利用团队成员的技能和经验。

数据预处理

要求：

1. 爬虫：实现爬虫程序，获取社交媒体平台上的数据。
2. 数据清洗：对爬取的数据进行清洗，去除噪声和无效信息。
3. 数据标注：对清洗后的数据进行标注，标记情感极性。
4. 数据量在10k条以上。

成果：.tar.xz压缩档，包含一个或多个.csv文件，每个文件包含爬取的数据、清洗后的数据和标注后的数据，格式如下：

模型设计与训练

使用传统机器学习方法进行情感分析模型训练。

要求：

1. 至少支持中文和英语。
2. 测试准确率不低于90%。

参考：Steve的数学建模论文。

成果：

1. 可执行文件：二进制或脚本，及其模型归档，不包含数据集。需要能够运行在Linux系统上，且在1s内完成预测。
2. 模型能力评估：准确率、召回率、F1值等指标。

网页设计

设计一个简洁、易用的网页界面，用于展示情感分析结果。网页应支持用户上传文本或粘贴文本，然后显示情感分析结果。网页应支持多种语言，包括中文、英文等。

运维工作

使用Kubernetes或其衍生工具（如Helm）进行部署和管理。Steve会给你分配资源。

任务：

1. 将模型和应用（前后端）打包为Docker镜像，并上传至Docker Hub或其他公网可访问的仓库。
2. 在zhufusarch搭建Kubernetes集群，或生成Helm Chart，以便部署模型。参与此工作的团队成员向Steve询问加入Tailnet。
3. 对接API服务，实现数据的实时传输和处理。

要求：

1. 前端可以在HTTP和HTTPS下访问。
2. 应用可以承受500次/秒的并行请求。