二十、文本情感分类

1. 文本情感倾向性分析

1.1 情感分析的概念

• 简单的说，我们可以将情感分析（sentiment classification）任务定义为一个分类问题，即指定一个文本输入，机器通过对文本进行分析、处理、归纳和推理后自动输出结论，如下图所示：
  

1.2 情感分析的任务

• 通常情况下，人们把情感分析任务看成一个三分类问题。
  • 正向： 表示正面积极的情感，如高兴，幸福，惊喜，期待等。
  • 负向： 表示负面消极的情感，如难过，伤心，愤怒，惊恐等。
  • 其他： 其他类型的情感。

1.3 情感分析的作用

• 利用机器自动分析这些情感倾向，不但有助于帮助企业了解消费者对其产品的感受，为产品改进提供依据；同时还有助于企业分析商业伙伴们的态度，以便更好地进行商业决策

2. 情感分析的数据预处理

2.1 数据集介绍

• IMDB电影评论数据，地址：http://ai.stanford.edu/~amaas/data/sentiment/，这是一份包含了5万条流行电影的评论数据，其中训练集25000条，测试集25000条。
  

2.2 思路分析

• 根据上述的样本，需要使用pytorch完成模型，实现对评论情感进行预测。首先可以把上述问题定义为分类问题，情感评分分为1-10，10个类别。那么根据之前的经验，我们的大致流程如下：准备数据集、模型构建、模型训练、模型评估。

2.3 代码实现

• 步骤一：定义tokenize的方法

def tokenize(text):
    fileters = ['!', '"', '#', '$', '%', '&', '\(', '\)', '\*', '\+', ',', '-', '\.', '/', ':', ';', '<', '=', '>',
                '\?', '@'
        , '\[', '\\', '\]', '^', '_', '`', '\{', '\|', '\}', '~', '\t', '\n', '\x97', '\x96', '”', '“', ]
    text = re.sub("<.*?>", " ", text, flags=re.S)
    text = re.sub("|".join(fileters), " ", text, flags=re.S)
    return [i.strip() for i in text.split()]

• 步骤二：准备dataset

# 2. 准备dataset
class ImdbDataset(Dataset):
    def __init__(self, mode):
        # 调用父类初始化方法初始化继承的属性
        super(ImdbDataset, self).__init__()
        if mode == "train":
            text_path = [os.path.join(data_base_path, i) for i in ["train/neg", "train/pos"]]
        else:
            text_path = [os.path.join(data_base_path, i) for i in ["test/neg", "test/pos"]]

        self.total_file_path_list = []
        for i in text_path:
            self.total_file_path_list.extend([os.path.join(i, j) for j in os.listdir(i)])

    def __getitem__(self, idx):
        cur_path = self.total_file_path_list[idx]

        cur_filename = os.path.basename(cur_path)
        label = int(cur_filename.split("_")[-1].split(".")[0]) - 1  # 处理标题，获取label，转化为从[0-9]
        text = tokenize(open(cur_path).read().strip())  # 直接按照空格进行分词
        return label, text

    def __len__(self):
        return len(self.total_file_path_list)

• 步骤三：实例化 DataLoader

dataset = ImdbDataset(mode="train")


def collate_fn(batch):
    # batch是list，其中是一个一个元组，每个元组是dataset中__getitem__的结果
    content,label = list(zip(*batch))
    return content,label


dataloader = DataLoader(dataset=dataset, batch_size=10, shuffle=True,collate_fn=collate_fn)

• 步骤四：查看数据结果

count = 0
for idx, (label, text) in enumerate(dataloader):
    print("idx：", idx)
    print("table:", label)
    print("text:", text)
    count += 1
    if count == 1:
        break