深度学习项目实战--对于评论的情感分析

标签： 机器学习

---

该项目通过分析影评进行判断该评价的情感方向

项目准备:

1. 关于影评的数据集
2. 关于影评的情感标签
3. python的各种运算库

关于影评的数据集与情感标签点击此处下载
运算库请自行下载

（好吧，图文无关）

实现思想

对影评的每一个单词进行提取，通过神经网络找到单词之间与情绪的联系，进而进行预测

实现效果

准确率达85%以上，运算速率可达7000条影评/秒

现在开始我们的项目代码

1.首先我们要读入影评与情感标签

g = open('reviews.txt','r') # What we know!
reviews = list(map(lambda x:x[:-1],g.readlines()))
g.close()

g = open('labels.txt','r') # What we WANT to know!
labels = list(map(lambda x:x[:-1].upper(),g.readlines()))
g.close()

2.引入需要使用的库

from collections import Counter
import numpy as np
import time
import sys
import numpy as np

3.实现神经网络

class SentimentNetwork:
    def __init__(self, reviews,labels,min_count = 10,polarity_cutoff = 0.1,hidden_nodes = 10, learning_rate = 0.1):

        np.random.seed(1)

                    ################神经网络的数据预处理#################
        self.pre_process_data(reviews, labels, polarity_cutoff, min_count)

                    ##########神经网络的数据初始化###########
        self.init_network(len(self.review_vocab),hidden_nodes, 1, learning_rate)


                ###################################################
                 #############神经网络的数据预处理函数实现#############
                 ###################################################

    def pre_process_data(self, reviews, labels, polarity_cutoff, min_count):

    ###建立三个计数器分别对正面，负面，所有，进行计数
        positive_counts = Counter()
        negative_counts = Counter()
        total_counts = Counter()

        #对正面评论的单词进行计数
        for i in range(len(reviews)):
            if(labels[i] == 'POSITIVE'):
                for word in reviews[i].split(