vb6 英文和中文长度不同_基于 CNN 的中文对话情感分析

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