数据集准备
使用的是中文对话情感分析的一个数据集。下载地址:https://github.com/z17176/Chinese_conversation_sentiment
这个是数据集是来自这篇 paper :Sentiment Classification with Convolutional Neural Networks: an Experimental Study on a Large-scale Chinese Conversation Corpus
- sentiment_XS_30k.txt:作为训练集
- sentiment_XS_test.txt:作为测试集
中文文本的预处理
分词处理
中文文本与英文文本不同,不像英文文本一样,单词与单词之间是有空隙的,所以拿到中文文本(已经去除掉标点符号及其他符号的纯文本)之后,需要进行分词处理。常用的分词工具有 jieba 分词。该数据集已经用 jieba 工具处理过分词了,所以就不需要额外处理了。
停用词处理
中文的停用词资源有挺多的,停用词处理主要依据不同的文本或者不同的目的来处理。我的项目中,没有进行停用词处理。
Tokenization
将输入文本拆分为有意义的块 (chunks) 的过程称为 Tokenization,并且这个被拆分出来的块实际上被称为令牌 (Token)。
- 可以认为在语义处理过程中一个 Token 就是一个有用的单元
- 可以划分为一个单词 (word