这意味着序列中的每个元素（例如一个词）在计算注意力时，是拿着自己的 Query 去匹配该序列中所有元素（包括它自己）的 Key，并根据匹配度对它们的 Value 进行加权求和。它通过同时关注来自不同子空间的信息，避免了单次注意力计算可能错过重要关联的问题，使得模型能够更稳定、更全面地理解输入序列中复杂的依赖关系。自注意力是注意力机制的一个特例，但和注意力有区别，所有自注意力都是注意力，但并非所有注

情感分析（Sentiment Analysis）是对文本中的主观信息进行提取和分类的技术，核心是判断文本的情绪倾向（如正面 / 负面 / 中性）。在中文场景中，由于语言的特殊性（无空格分词、语义丰富），需要针对性的处理方案。使用酒店评论数据集（5265 条），包含 "评论内容" 和 "情感标签"（1 = 正面，0 = 负面）。评论内容标签房间干净，服务热情，下次还来1卫生差，隔音不好，不推荐0数据

这意味着序列中的每个元素（例如一个词）在计算注意力时，是拿着自己的 Query 去匹配该序列中所有元素（包括它自己）的 Key，并根据匹配度对它们的 Value 进行加权求和。它通过同时关注来自不同子空间的信息，避免了单次注意力计算可能错过重要关联的问题，使得模型能够更稳定、更全面地理解输入序列中复杂的依赖关系。自注意力是注意力机制的一个特例，但和注意力有区别，所有自注意力都是注意力，但并非所有注