情感分析及数据集

情感分析及数据集

随着在线社交媒体和评论平台的快速发展，大量评论的数据被记录下来。这些数据具有支持决策过程的巨大潜力。情感分析（sentiment analysis）研究人民在文本中（如产品评论、博客评论和论坛讨论等）“隐藏”的情绪。它在广泛应用于政治（如公众对政策的情绪分析）、金融（如市场情绪分析）和营销（如产品研究和品牌管理）等领域。

由于情感可以被分类为离散的极性或尺度（例如，积极的和消极的），我们可以将情感分析看作一项文本分类任务，它将可变长度的文本序列转换为固定长度的文本类别。在本章中，我们将实验斯坦福大学的大型电影评论数据集进行情感分析。它由一个训练集和一个测试集组成，其中包含从IMDb下载的25000个电影评论。在这两个数据集中，“积极”和“消极”标签的数量相同，表示不同情感积极性

import os
import torch
from torch import nn
from d2l import torch as d2l

1 - 读取数据集

首先，下载并提取路径…/data/aclImdb中的IMDb评论数据集

d2l.DATA_HUB['aclImdb'] = (
'http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz',
'01ada507287d82875905620988597833ad4e0903')

data_dir = d2l.download_extract('aclImdb', 'aclImdb')

Downloading ..\data\aclImdb_v1.tar.gz from http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz...

接下来，读取训练和测试数据集。每个样本都是一个评论及其标签：1表示“积极”，0表示“消极”

def read_imdb(data_dir,is_train):
    """读取IMDb评论数据集文本序列和标签"""
    data,labels = [],[]
    for label in ('pos','neg'):
        folder_name = os.path.join(data_dir,'train' if is_train else 'test',label)
        for file in os.listdir(folder_name):
            with open(os.path.join(folder_name,file),'rb') as f:
                review = f.read().decode('utf-8').replace('\n','')
                data.append(review)
                labels.append(1 if label == 'pos' else 0)
    return data,labels

train_data = read_imdb(data_dir,is_train=True)
print('训练集数目：',len(train_data[0]))
for x,y in zip(train_data[0][:3],train_data[1][:3]):
    print('标签',y,'review',x[0:60])

训练集数目： 25000
标签 1 review Bromwell High is a cartoon comedy. It ran at the same time a
标签 1 review Homelessness (or Houselessness as George Carlin stated) has 
标签 1 review Brilliant over-acting by Lesley Ann Warren. Best dramatic ho

2 - 预处理数据集

将每个单词作为一个词元，过滤掉出现不到5次的单词，我们从训练数据集中创建一个词表

train_tokens = d2l.tokenize(train_data[0],token='word')
vocab = d2l.Vocab(train_tokens,min_freq=5,reserved_tokens=['<pad>'])

在词元化之后，让我们绘制评论词元长度的直方图

d2l.set_figsize()
d2l.plt.xlabel('# tokens per review')
d2l.plt.ylabel('count')
d2l.plt.hist([len(line) for line in train_tokens],bins=range(0,1000,50));

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-s4rmP2Lz-1665320270912)(https://yingziimage.oss-cn-beijing.aliyuncs.com/img/202210092055138.svg)]

正如我们所料，评论的长度各布不相同，为了每次处理小批量这样的评论，我们通过截断和填充将每个评论的长度设置为500

num_steps = 500 # 序列长度
train_features = torch.tensor([d2l.truncate_pad(
    vocab[line],num_steps,vocab['<pad>']) for line in train_tokens])

print(train_features.shape)

torch.Size([25000, 500])

3 - 创建数据迭代器

现在我们可以创建数据迭代器了，在每次迭代中，都会返回一小批量样本

train_iter = d2l.load_array((train_features,torch.tensor(train_data[1])),64)

for X,y in train_iter:
    print('X:',X.shape,',y:',y.shape)
    break

print('小批量数目：',len(train_iter))

X: torch.Size([64, 500]) ,y: torch.Size([64])
小批量数目： 391

4 - 整合代码

最后，我们将上述步骤封装到load_data_imdb函数中。它返回训练和测试数据迭代器以及IMDb评论数据集的词表

def load_data_imdb(batch_size,num_steps=500):
    """返回数据迭代器和IMDb评论数据集的词表"""
    data_dir = d2l.download_extract('aclImdb','aclImdb')
    train_data = read_imdb(data_dir,True)
    test_data = read_imdb(data_dir,False)
    
    train_tokens = d2l.tokenize(train_data[0],token='word')
    test_tokens = d2l.tokenize(test_data[0],token='word')
    
    vocab = d2l.Vocab(train_tokens,min_freq=5)
    
    train_features = torch.tensor([d2l.truncate_pad(vocab[line],num_steps,vocab['<pad>']) for line in train_tokens])
    test_features = torch.tensor([d2l.truncate_pad(vocab[line],num_steps,vocab['<pad>']) for line in test_tokens])
    
    train_iter = d2l.load_array((train_features,torch.tensor(train_data[1])),batch_size)
    test_iter = d2l.load_array((test_features, torch.tensor(test_data[1])),batch_size,is_train=False)
    
    return train_iter,test_iter,vocab

5 - 小结

• 情感分析研究人们在文本中的情感，这被认为是一个文本分类问题，它将可变长度的文本序列进行转换为固定长度的文本类别
• 经过预处理后，我们可以使用词表将IMDb评论数据集加载到数据迭代器中