引言： 情感分析：又称为倾向性分析和意见挖掘，它是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程，其中情感分析还可以细分为情感极性（倾向）分析，情感程度分析，主客观分析等。 情感极性分析的目的是对文本进行褒义、贬义、中性的判断。在大多应用场景下，只分为两类。例如对于“喜爱”和“厌恶”这两个词，就属于不同的情感倾向。 比如我们标注数据集，标签为1表示积极情感，0位中立情感，-1为消极情感。 一、实验前的准备： 其中数据集如下所示：
二、数据分析 首先读取csv文件数据，存储入变量。统一存入TXT文件，以方便和清晰的看到训练和测试数据。见代码data.py。 ‘’‘生成TXT文件’’’ for i in range(len(x_train)): f=open(“cnews/train.txt”,“a+”,encoding=‘utf-8’) f.write(str(y_train.values[i])+"\t"+str(x_train [i])+"\n") f.close() print(“train数据集生成完成！”) for i in range(len(x_test)): f=open(“cnews/test.txt”,“a+”,encoding=‘utf-8’) f.write(str(float(y_test.values[i]))+"\t"+str(x_test [i])+"\n") f.close() print(“test数据集生成完成！”) for i in range(len(x_train1)): f=open(“cnews/val.txt”,“a+”,encoding=‘utf-8’) f.write(str(y_train1.values[i])+"\t"+str(x_train1 [i])+"\n") f.close() print(“val数据集生成完成！”) 最终生成了以下几个文档：
三、CNN算法分类 1、 特征提取流程： 详细见代码cnews_loader.py。 其中定义了以下函数，即为其整体流程。主要目的就是把文本转为词向量，建立id对应，因为只有数字才能计算。 read_file(): 读取文件数据; build_vocab(): 构建词汇表，使用字符级的表示，这一函数会将词汇表存储下来，避免每一次重复处理; read_vocab(): 读取上一步存储的词汇表，转换为{词：id}表示; read_category(): 将分类目录固定，转换为{类别: id}表示; to_words(): 将一条由id表示的数据重新转换为文字; process_file(): 将数据集从文字转换为固定长度的id序列表示; 2、 模型算法： 主要见代码cnn_model.py。 这里我们使用深度学习模型CNN卷积神经网络提取特征。 其中需要设定的参数： embedding_dim = 64 # 词向量维度 seq_length = 600 # 序列长度 num_classes = 4 # 类别数 num_filters = 128 # 卷积核数目 kernel_size = 5 # 卷积核尺寸 vocab_size = 5000 # 词汇表达小 hidden_dim = 128 # 全连接层神经元 dropout_keep_prob = 0.5 # dropout保留比例 learning_rate = 1e-3 # 学习率 batch_size = 64 # 每批训练大小 num_epochs = 10 # 总迭代轮次 print_per_batch = 100 # 每多少轮输出一次结果 save_per_batch = 10 # 每多少轮存入tensorboard 然后是模型的初始化： def init(self, config): self.config = config # 三个待输入的数据 self.input_x = tf.placeholder(tf.int32, [None, self.config.seq_length], name=‘input_x’) self.input_y = tf.placeholder(tf.float32, [None, self.config.num_classes], name=‘input_y’) self.keep_prob = tf.placeholder(tf.float32, name=‘keep_prob’) self.cnn() 神经网络整体定义，包括训练器的选择、卷积层、全连接等定义。 def cnn(self): “”“CNN模型”"" # 词向量映射 with tf.device(’/cpu:0’): embedding = tf.get_variable(‘embedding’, [self.config.vocab_size, self.config.embedding_dim]) embedding_inputs = tf.nn.embedding_lookup(embedding, self.input_x) with tf.name_scope(“cnn”): # CNN layer conv = tf.layers.conv1d(embedding_inputs, self.config.num_filters, self.config.kernel_size, name=‘conv’) # global max pooling layer gmp = tf.reduce_max(conv, reduction_indices=[1], name=‘gmp’) with tf.name_scope(“score”): # 全连接层，后面接dropout以及relu激活 fc = tf.layers.dense(gmp, self.config.hidden_dim, name=‘fc1’) fc = tf.contrib.layers.dropout(fc, self.keep_prob) fc = tf.nn.relu(fc) # 分类器 self.logits = tf.layers.dense(fc, self.config.num_classes, name=‘fc2’) self.y_pred_cls = tf.argmax(tf.nn.softmax(self.logits), 1) # 预测类别 with tf.name_scope(“optimize”): # 损失函数，交叉熵 cross_entropy = tf.nn.softmax_cross_entropy_with_logits(logits=self.logits, labels=self.input_y) self.loss = tf.reduce_mean(cross_entropy) # 优化器 self.optim = tf.train.AdamOptimizer(learning_rate=self.config.learning_rate).minimize(self.loss) with tf.name_scope(“accuracy”): # 准确率 correct_pred = tf.equal(tf.argmax(self.input_y, 1), self.y_pred_cls) self.acc = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) 3、 模型训练： 模型的训练和测试都在代码test.py。218行注释掉test()函数，216行启用train()函数就是训练。 这里整体流程就是按照上面说的进行执行调用而言： def train(): print(“Configuring TensorBoard and Saver…”) # 配置 Tensorboard，重新训练时，请将tensorboard文件夹删除，不然图会覆盖 tensorboard_dir = ‘tensorboard/textcnn’ if not os.path.exists(tensorboard_dir): os.makedirs(tensorboard_dir) tf.summary.scalar(“loss”, model.loss) tf.summary.scalar(“accuracy”, model.acc) merged_summary = tf.summary.merge_all() writer = tf.summary.FileWriter(tensorboard_dir) # 配置 Saver saver = tf.train.Saver() if not os.path.exists(save_dir): os.makedirs(save_dir) print(“Loading training and validation data…”) # 载入训练集与验证集 start_time = time.time() x_train, y_train = process_file(train_dir, word_to_id, cat_to_id, config.seq_length) x_val, y_val = process_file(val_dir, word_to_id, cat_to_id, config.seq_length) time_dif = get_time_dif(start_time) print(“Time usage:”, time_dif) # 创建session session = tf.Session() session.run(tf.global_variables_initializer()) writer.add_graph(session.graph) print(‘Training and evaluating…’) start_time = time.time() total_batch = 0 # 总批次 best_acc_val = 0.0 # 最佳验证集准确率 last_improved = 0 # 记录上一次提升批次 require_improvement = 1000 # 如果超过1000轮未提升，提前结束训练 flag = False for epoch in range(config.num_epochs): print(‘Epoch:’, epoch + 1) batch_train = batch_iter(x_train, y_train, config.batch_size) for x_batch, y_batch in batch_train: feed_dict = feed_data(x_batch, y_batch, config.dropout_keep_prob) if total_batch % config.save_per_batch == 0: # 每多少轮次将训练结果写入tensorboard scalar s = session.run(merged_summary, feed_dict=feed_dict) writer.add_summary(s, total_batch) if total_batch % config.print_per_batch == 0: # 每多少轮次输出在训练集和验证集上的性能 feed_dict[model.keep_prob] = 1.0 loss_train, acc_train = session.run([model.loss, model.acc], feed_dict=feed_dict) loss_val, acc_val = evaluate(session, x_val, y_val) # todo if acc_val > best_acc_val: # 保存最好结果 best_acc_val = acc_val last_improved = total_batch saver.save(sess=session, save_path=save_path) improved_str = ‘*’ else: improved_str = ‘’ time_dif = get_time_dif(start_time) msg = ‘Iter: {0:>6}, Train Loss: {1:>6.2}, Train Acc: {2:>7.2%},’ + ’ Val Loss: {3:>6.2}, Val Acc: {4:>7.2%}, Time: {5} {6}’ print(msg.format(total_batch, loss_train, acc_train, loss_val, acc_val, time_dif, improved_str)) session.run(model.optim, feed_dict=feed_dict) # 运行优化 total_batch += 1 if total_batch - last_improved > require_improvement: # 验证集正确率长期不提升，提前结束训练 print(“No optimization for a long time, auto-stopping…”) flag = True break # 跳出循环 if flag: # 同上 break 训练过程如下：
4、 模型测试： 读取test.txt评估模型准确率。216行注释掉train()函数，218行启用test()函数 def test(): print(“Loading test data…”) start_time = time.time() x_test, y_test = process_file(test_dir, word_to_id, cat_to_id, config.seq_length) session = tf.Session() session.run(tf.global_variables_initializer()) saver = tf.train.Saver() saver.restore(sess=session, save_path=save_path) # 读取保存的模型 print(‘Testing…’) loss_test, acc_test = evaluate(session, x_test, y_test) msg = ‘Test Loss: {0:>6.2}, Test Acc: {1:>7.2%}’ print(msg.format(loss_test, acc_test)) batch_size = 128 data_len = len(x_test) num_batch = int((data_len - 1) / batch_size) + 1 y_test_cls = np.argmax(y_test, 1) y_pred_cls = np.zeros(shape=len(x_test), dtype=np.int32) # 保存预测结果 for i in range(num_batch): # 逐批次处理 start_id = i * batch_size end_id = min((i + 1) * batch_size, data_len) feed_dict = { model.input_x: x_test[start_id:end_id], model.keep_prob: 1.0 } y_pred_cls[start_id:end_id] = session.run(model.y_pred_cls, feed_dict=feed_dict) # 评估 print(“Precision, Recall and F1-Score…”) categories = [native_content(x) for x in [‘0.0’, ‘1.0’, ‘-1.0’]] print(metrics.classification_report(y_test_cls, y_pred_cls, target_names=categories)) # 混淆矩阵 print(“Confusion Matrix…”) cm = metrics.confusion_matrix(y_test_cls, y_pred_cls) print(cm)
time_dif = get_time_dif(start_time) print("Time usage:", time_dif)测试结果如下：最终模型准确度92%
源码地址： 链接：https://pan.baidu.com/s/1vDwaXtsormyX9JchNscpFQ 提取码：l0g7 欢迎大家关注公众号
