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
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
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
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