基于深度学习的情感分析(附代码)

为什么一条简单的商品评论，AI就能判断用户是喜欢还是厌恶？社交媒体上的海量文本数据，如何快速洞察用户情绪倾向？情感分析（Sentiment Analysis）作为自然语言处理（NLP）的核心任务之一，正在电商、舆情监控、智能客服等领域发挥巨大作用。
本文将针对初学者，带你用深度学习技术构建情感分析模型(实现正负面情绪的分析)，涵盖数据预处理、模型搭建、训练流程，并提供完整的PyTorch代码实现。

功能说明：

1.文本训练：√

  主干网络：

                 LSTM：√

                 其他网络：待更新

2.预测：√

---

环境说明

pytorch:1.7.0

jieba:0.42.1

pandas:1.1.4

代码：

GitHub - YINYIPENG-EN/Sentiment_Analysis: 基本深度学习的情感分析

1.准备数据集

本文仅仅是应用一个非常简单的示例进行说明,以最小化实现方法让大家快速上手~

制作数据集并放置在项目的data/文件下。结构如下：

data
|-- negative.txt
|-- positive.txt

 negative.txt用于存储负面(或是消极的情绪)，positive.txt是正面(积极的情绪)。部分内容如下，我这里的数据集非常的简单，数据量也比较少，大家可自己扩充数据集。

negative.txt
产品质量差，使用一周就坏了，非常失望
服务态度恶劣，等待时间过长，不会再来
内容空洞无物，完全浪费时间和金钱
界面设计混乱，操作复杂难用，体验极差
物流太慢，包装破损，商品有瑕疵
宣传与实际不符，功能缺失，虚假广告
客服响应慢，问题无法解决，令人沮丧
味道一般，价格偏高，性价比低

..........................

positive.txt

学习内容非常实用，老师讲解清晰易懂，收获很大
性价比超高，功能齐全，物超所值
画面精美，音乐动人，情感表达真挚
操作简单方便，界面友好，适合所有年龄段
送货速度快，包装完好，质量上乘
解决方案专业有效，问题迅速解决，非常满意
食材新鲜，味道正宗，绝对五星好评

2.训练

在终端输入以下命令开启训练：

python emotion_train.py

训练参数说明，可根据自己需求调整：

# 参数设置
MAX_LENGTH = 20  # 序列最大长度
EMBEDDING_DIM = 128
HIDDEN_DIM = 256
NUM_LAYERS = 1
DROPOUT = 0.3
BATCH_SIZE = 8
EPOCHS = 40
LEARNING_RATE = 0.001
VOCAB_SIZE = 1000  # 词汇表大小
output_dir = 'zhangsan_logs' # 权重保存位置
backbone = 'LSTM' # 主干网络，暂仅支持LSTM

训练过后会将得到的权重、loss曲线和混淆矩阵保存下来，如下所示：(注：我这里其实已经过拟合了，数据量比较少，仅100条，只是为了省时间给大家做一个实现而已)

 

 3.预测

我们可以将训练后的权重哪里进行实际预测。例如，根据输入，模型会自动判断是正面的还是负面的，我这里的用例如下：

"这个产品真的很好用，物超所值",
"服务太差，再也不会购买了",
"质量很好，比想象中好",
"非常满意，超出了我的预期"

运行代码开启预测：

python predict.py

预测结果：

文本: 这个产品真的很好用，物超所值
情感: 正面
置信度: 负面 0.0197, 正面 0.9803
--------------------------------------------------
文本: 服务太差，再也不会购买了
情感: 负面
置信度: 负面 0.8860, 正面 0.1140
--------------------------------------------------
文本: 质量很好，比想象中好
情感: 正面
置信度: 负面 0.0970, 正面 0.9030
--------------------------------------------------
文本: 非常满意，超出了我的预期
情感: 正面
置信度: 负面 0.0656, 正面 0.9344
--------------------------------------------------

Process finished with exit code 0

---

(注：训练代码部分有偿提供)