基于 DNN神经网络训练预测豆瓣中文影评差评好评项目 附完整代码数据集可作为毕设

最新推荐文章于 2024-04-06 00:51:25 发布
最新推荐文章于 2024-04-06 00:51:25 发布
阅读量253 收藏
点赞数
分类专栏： 深度学习-自然语言处理nlp 文章标签： DNN神经网络 豆瓣中文影评 python 神经网络 深度学习 Powered by 金山文档
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_55771290/article/details/128844443
版权

下面是我将2万条豆瓣影评训练之后，随意输入一段新影评交给神经网络，最终AI推断出的结果。

    "很好，演技不错", 0.91799414 ===>好评
    "要是好就奇怪了", 0.19483969 ===>差评
    "一星给字幕", 0.0028086603 ===>差评
    "演技好，演技好，很差", 0.17192301 ===>差评
    "演技好，演技好，演技好，演技好，很差" 0.8373259 ===>好评

看完本篇文章，教你基于神经网络训练一个可以分类的模型实现上述结果 本文章包含完整的代码和数据集。

2. 读取数据

首先我们要找到待训练的数据集，我这里是一个csv文件，里面有从豆瓣上获取的影视评论50000条。

他的格式是如下这样的：

了解本专栏 订阅专栏 解锁全文 超级会员免费看
计算机毕设论文
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评好评项目 附完整代码数据集可作为毕设
02-02 387
基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评好评项目 附完整代码数据集可作为毕设
Dataset.zip
07-02
中文电影评论情感分析数据集，使用方法见https://blog.csdn.net/qq_32505207/article/details/107029807
转发：ightgbm, xgboost, nn(keras、pytorch) 做二分类，多分类以及回归任务
chenhepg的博客
02-28 464
创建于：20210228 修改于：20210228 转发： 【lightgbm, xgboost, nn代码整理一】lightgbm做二分类，多分类以及回归任务（含python源码） 【lightgbm/xgboost/nn代码整理二】xgboost做二分类，多分类以及回归任务 【lightgbm/xgboost/nn代码整理三】keras做二分类，多分类以及回归任务 【lightgbm/xgboost/nn代码整理四】pytorch做二分类，多分类以及回归任务 https://codechina.csdn
基于电影评论数据的中文情感分析(含训练数据、验证数据) ，已实现NN(MLP)、CNN、LSTM方法
Python代码大全
12-30 1137
基于电影评论数据的中文情感分析(含训练数据、验证数据) ，已实现NN(MLP)、CNN、LSTM方法基于电影评论数据的中文情感分析使用电影评论数据作为训练数据集. 其中, 训练数据集20000条(正负向各10000条);测试数据集6000条(正负向各3000条)1.去除停用词, 并使用jieba进行分词2.使用预训练的词向量模型，对句子进行向量化。
豆瓣热映电影影评爬取【附源码及数据集】
最新发布
Dalu_1226的博客
04-06 1212
通过循环这一标签获得每一个电影的信息，然后再解析每一个电影的 [‘电影中文名’, ‘电影详情页链接’, ‘导演’, ‘演员’, ‘上映年份’, ‘评分’]并放在全局列表中。通过对北京，上海，广东的url解析发现，变化的之后地点名称，于是可以通过for循环构造url,并通过request获取响应内容，为了防止反爬，还需要构造请求头信息。北京：https://movie.douban.com/cinema/nowplaying/beijing/通过分析发现，详情页的url和评论的url存在的差别。
Pytorch基于TextCNN的中文电影评论情感分类
Chary的Blog
06-29 1万+
实验环境 Pytorch 1.4.0 conda 4.7.12 Jupyter Notebook 6.0.1 Python 3.7 数据集介绍 来源豆瓣电影评论，数据集包括: 训练集:包含 2W 条左右中文电影评论，其中正负向评论各占 1/2。 验证集:包含 6K 条左右中文电影评论，其中正负向评论各占 1/2。 测试集:包含 360 条左右中文电影评论，其中正负向评论各占 1/2。 预训练词向量:中文维基百科词向量 word2vec。 训练过程 数据准备 首先，导入实验所需的库。 import g
利用sklearn进行豆瓣电影评论的文本分类
haoji007的博客
11-13 1343
在之前，我已经在豆瓣电影top250中爬取了约6w条好评和差评，在此我们来利用这些数据，进行入门级别的文本分类。 一 数据清洗 数据在豆瓣电影top250提供下载，下载后能看到6W条好评和差评，由于爬取时未能完全清除符号，导致一部分毫无意义的颜文字评论混入其中，为了清除这些数据，我在（仅当数据量较小的情况下）excel中替换掉了肉眼可见的一些符号，然后转换成xlsx格式（csv...
基于Python的豆瓣中文影评差评分析
毕业作品网站
01-17 3060
最后一个Dense我们就采用了sigmoid，因为我们的数据集中0是差评，1是好评，我们期望模型的输出结果数值也在0到1之间，这样我们就可以判断是更接近好评还是差评了。这里的分词器和上面我们说的中文分词不同，因为编程语言是老外发明的，人家不用特意分词，他起名叫分词器，就是给词语分类。对于一个词，也是可以嵌入很多维度的。看完了吧，流水线的作用就是进来固定格式的原料，经过一层一层的处理，最终出去固定格式的成品。虽然给它提供了数字，但这不是标准的，有长有短，计算机就是流水线，只吃统一标准的数据。
118nlp-中文影评情感分析积极or消极评论
rgrgdrgd的博客
12-09 419
运行python 02pyqt.py会有可视化的界面，输入需要测试的影评内容，就会调用已经训练好保存在本地的模型进行识别结果。运行01 train.py会对影评数据划分8：2，最后验证准确率，然后保存模型在logs文件夹下。的可视化界面，通过输入电影评论来是识别是消极评论还是积极评论。文件即影评数据集，都是中文影评，然后我们只要影评和。这是调用训练好的模型来识别的，运行。代码整体是非常简便的，总共两个。评分，这两列数据即可。中文影评情感分析积极。
豆瓣电影数据集分享
热门推荐
qq_37456611的博客
12-08 1万+
豆瓣电影数据集分享 第一篇CSDN博客，跟大家分享一个影评数据集，大数据课上做作业时找到的，数据量有100W左右，可以用来做基于协同过滤的电影推荐等。链接：https://pan.baidu.com/s/1j7hVwapDb-8zHfcPYhuhVA 提取码：sdv6 ...
3.电影评论文本的分类
weixin_42660711的博客
03-06 973
电影评论文本分类 本片指南介绍的是对电影评论的正负性（positive、negative）进行分类。这是我们熟知的二分类问题。 我们将使用来自网络电影数据库的IMDB数据集，其包含了50000条影评文本。从该数据集中用25000条品论用做训练，另外25000条用作测试。训练集与测试集是数量相等平衡的（balanced），意味着它们包含相等数量的的正负面评论。 该片指南使用了tf.keras，它是一个TensorFlow中用于构建和训练模型的高级API。有关使用tf.keras进行文本分类的高级教程我在后面还
京东SKⅡ商品评论信息数据集
06-09
商品的名称、评论内容、评论时间、评分、销量等信息
十二个类别商品评论数据集.csv
05-12
经多个数据集整理而成，可直接用于训练的商品好评差评数据集，含一下分类：零食,书籍,计算机,手机数码,热水器,酒店,手机,洗发水,牛奶,衣服,平板,水果,公共有6.8w条
豆瓣影评数据集
02-21
豆瓣5万条影评原始数据集，机器学习，nlp，深度学习的宝宝赶快看过来，看过来哈。 数据集格式： title，star，comment，label是对应电影名称，评论星级（1-5星），评论内容，差评好评（星级大于3为好评）
豆瓣电影短评数据集
02-08
数据存储使用的是SQlite数据库。使用起来应该比较方便。要浏览的话下个可视化软件就行，我用的是SQLiteStudio。 自己爬的豆瓣电影短评。目前豆瓣似乎对一部电影下能够显示的短评数量做了限制，不登录的话只能爬取少量的短评。 每条短评都有1~5星的用户评分。因为爬取是为了做情感分析，所以我只爬了1~2星和4~5星的评论。总计1~2星评论177714条，4~5星评论224229条。每条评论都注明了所属的电影ID，评论者，评分和评论时间。
豆瓣5万条影评数据集
07-04
本宝宝采集的豆瓣5万条影评原始数据集，希望大家积极下载，尊重宝宝的劳动成果，后期有时间我还为大家提供数据集哈。 机器学习，nlp，深度学习的宝宝赶快看过来，看过来哈。 数据集格式： title##star##comment 电影名称##评论星级（1-5星）##评论内容
基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评好评项目.zip
04-18
基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评好评项目.zip 基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评好评项目.zip 基于tensorflow keras DNN神经网络训练预测豆瓣中文影评差评...
MATLAB实现DNN神经网络多输入多输出预测（完整源码和数据）
11-18
MATLAB实现DNN神经网络多输入多输出预测（完整源码和数据） DNN深度神经网络/全连接神经网络，数据为多输入多输出预测数据，输入10个特征，输出3个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的...
豆瓣华语高分电影数据集
Galois4684的博客
10-15 357
链接：https://pan.baidu.com/s/1yT6XqhdN6HDEZ1N-qfn0Lw?–来自百度网盘超级会员V3的分享。
DNN神经网络训练给标签加数据平滑处理的代码使用pytorch库实现
03-24
你可以通过以下的代码段在 PyTorch 中实现 DNN 神经网络训练的标签数据平滑处理： ``` import torch import torch.nn.functional as F # 定义标签数据流畅化的功能 def label_smooth_loss(outputs, targets, epsilon=0.1): num_classes = outputs.size(1) smooth_targets = torch.full_like(targets, epsilon / (num_classes - 1)) smooth_targets.scatter_(1, targets.data.unsqueeze(1), 1-epsilon) return F.kl_div(outputs.log_softmax(dim=-1), smooth_targets, reduction='batchmean') # 在你的训练中调用此功能 outputs = dnn_model(inputs) loss = label_smooth_loss(outputs, targets) optimizer.zero_grad() loss.backward() optimizer.step() ``` 希望这可以帮助你开始实现 DNN 神经网络的训练。

“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
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

计算机毕设论文

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

实付元
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