ok,上文我们对这个项目进行了背景介绍,介绍了相关的技术栈和运行结果。接下来我们来对代码进行介绍,帮助读者进一步的了解这个项目。代码和数据集放在文章末尾了。
数据集是这样子的,评论分为两类,label,review.其中label值为1代表积极评论,0代表消极评论。
数据加载部分代码
# 加载评论数据
data = pd.read_csv('ChnSentiCorp_htl_all.csv')
# 加载评论数据
# 重命名列名以匹配代码
data = data.rename(columns={'review': 'comment_text', 'label': 'sentiment'})
# 将情感标签转换为文本
data['sentiment'] = data['sentiment'].map({1: 'positive', 0: 'negative'})
数据预处理部分:
def preprocess_text(text):
if isinstance(text, str): # 检查是否为字符串类型
# 去除特殊字符和标点符号
text = re.sub(r'[^\w\s]', '', text)
# 分词
words = jieba.cut(text)
# 去除停用词
stop_words = set() # 或者使用停用词表
# stop_words = set(stopwords.words('chinese'))
words = [word for word in words if word not in stop_words]
return ' '.join(words)
else:
# 处理非字符串类型,例如返回空字符串或进行其他处理
return ''
训练并且对模型进行评估:
# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
data['comment_text'], data['sentiment'], test_size=0.2, random_state=42
)
# 特征提取
vectorizer = TfidfVectorizer()