文本分类识别系统1-keras版本


数据中包含了10个类别(书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店),共6万多条评论数据,数据有两个字段,其中cat字段表示类别,review表示用户的评价信息,数据总量为62774,且评价内容全部为中文。还有label,用0、1表示评论的积极和消极,这里用不到。

本次训练使用的是keras版本的代码,训练的模型保存为my_model.h5格式,

网上找的代码不能正常预测,这里写了个预测的代码

import pandas as pd
import re
import jieba as jb
from keras.preprocessing.text import Tokenizer
from keras.models import load_model
from keras.preprocessing.sequence import pad_sequences

classes = ['书籍','平板','手机','水果','洗发水','热水器','蒙牛','衣服','计算机','酒店']  #需要分的类别

#删除文本中的标点符号,特殊符号,还要删除一些无意义的常用词(stopword)
# 定义删除除字母,数字,汉字以外的所有符号的函数              
  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
好的,我可以为您提供一些基本的代码示例。首先,您需要准备一个情感分类的数据集,可以使用IMDB电影评论数据集。以下是一个简单的代码示例,使用TensorFlow和Keras进行文本情感识别: ```python import tensorflow as tf from tensorflow.keras.datasets import imdb from tensorflow.keras.preprocessing.sequence import pad_sequences from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Embedding, LSTM, Dense # 加载IMDB数据集 vocab_size = 10000 (X_train, y_train), (X_test, y_test) = imdb.load_data(num_words=vocab_size) # 填充和截断序列,使所有序列具有相同的长度 maxlen = 100 X_train = pad_sequences(X_train, maxlen=maxlen) X_test = pad_sequences(X_test, maxlen=maxlen) # 创建模型 embedding_size = 64 model = Sequential() model.add(Embedding(vocab_size, embedding_size, input_length=maxlen)) model.add(LSTM(64)) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 训练模型 batch_size = 128 epochs = 5 model.fit(X_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(X_test, y_test)) # 评估模型 loss, accuracy = model.evaluate(X_test, y_test) print('Test accuracy:', accuracy) ``` 在上面的示例中,我们使用了一个简单的LSTM模型,包含一个嵌入层、一个LSTM层和一个全连接层。我们使用IMDB数据集进行训练和测试,并使用binary_crossentropy作为损失函数,使用adam作为优化器。 希望这可以帮助您入门文本情感识别

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

bug生成中

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值