结合背景图片生成指定形状的词云，视觉效果更丰富。# 输入需要进行词云化的文档名称# 打开并读取文档内容# 使用jieba进行分词，将分好的词存入字符串中# 设置背景图片（1.jpg为自定义形状图片）# 生成词云（mask指定背景形状）# 显示词云plt.show()# 保存词云图片wordcloud.to_file("出师表词云(带形状).png")代码解释指定词云形状为背景图片的轮廓；需确保背景

机器学习是让计算机从数据中学习规律，进而对未知数据做出决策或预测的技术。数据采集→数据预处理→模型训练→模型评估→模型部署；核心内涵是 “从经验中学习”；三要素为数据、模型、算法。词袋模型是最简单的文本向量化方式，虽忽略词序但能快速落地，适合入门级情感分析；朴素贝叶斯计算高效，适合小样本、高维数据（如文本）；逻辑回归可解释性强，是二元分类的 “基线模型”；无论是乳腺癌诊断还是评论情感分析，模型效果

机器学习是让计算机从数据中学习规律，进而对未知数据做出决策或预测的技术。数据采集→数据预处理→模型训练→模型评估→模型部署；核心内涵是 “从经验中学习”；三要素为数据、模型、算法。词袋模型是最简单的文本向量化方式，虽忽略词序但能快速落地，适合入门级情感分析；朴素贝叶斯计算高效，适合小样本、高维数据（如文本）；逻辑回归可解释性强，是二元分类的 “基线模型”；无论是乳腺癌诊断还是评论情感分析，模型效果

神经网络是一种模仿生物神经系统结构和功能的计算模型，由输入层、隐藏层、输出层构成。输入层接收原始数据（如文本编码后的特征向量），隐藏层通过神经元的加权计算与非线性转换提取深层特征，输出层给出最终结果（如情感类别：正面、负面、中性）。其核心优势在于能自动学习数据中的复杂模式，无需人工手动设计特征，这对情感分析这类依赖语义理解的任务至关重要。神经网络通过激活函数的非线性转换、前向与反向传播的迭代优化，

Word2Vec作为分布式表示的里程碑工具，其核心价值在于：以极低的计算成本，将词语转化为具备语义关联的向量，为后续NLP任务（如文本分类、情感分析、机器翻译）提供了强大的特征基础。但需注意，Word2Vec也存在局限性：它是静态词向量，无法处理一词多义（如“银行”既指金融机构，也指河岸）。后续的ELMo、BERT等动态词向量模型，通过结合上下文语境，进一步解决了这一问题，推动了语义表示技术的发展

FastAPI 通过request：当前 HTTP 请求对象call_next：回调函数，用于将请求传递给下一个中间件或最终的路由处理函数使用Query进行参数校验，确保skip非负、limit不超过阈值。

返回 HTML 响应return "<h1>这是标题</h1>"# 返回文件响应（注意文件路径正确）return FileResponse("./files/1.jpeg") # 需确保文件存在# 定义响应模型id: inttitle: str# 指定响应模型# 即使返回更多字段，也会按 News 模型过滤return {"id": id,"title": f"这是第{id}条新闻","conte