NLP入门（十）使用LSTM进行文本情感分析 |
您所在的位置：网站首页 › 文本情感分析的应用 › NLP入门（十）使用LSTM进行文本情感分析 |
NLP入门（十）使用LSTM进行文本情感分析
|
情感分析简介
文本情感分析（Sentiment Analysis）是自然语言处理（NLP）方法中常见的应用，也是一个有趣的基本任务，尤其是以提炼文本情绪内容为目的的分类。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。 本文将介绍情感分析中的情感极性（倾向）分析。所谓情感极性分析，指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。 本文将详细介绍如何使用深度学习模型中的LSTM模型来实现文本的情感分析。 文本介绍及语料分析我们以某电商网站中某个商品的评论作为语料（corpus.csv），该数据集的下载网址为：https://github.com/renjunxiang/Text-Classification/blob/master/TextClassification/data/data_single.csv ，该数据集一共有4310条评论数据，文本的情感分为两类：“正面”和“反面”，该数据集的前几行如下： evaluation,label 用了一段时间，感觉还不错，可以,正面 电视非常好，已经是家里的第二台了。第一天下单，第二天就到本地了，可是物流的人说车坏了，一直催，客服也帮着催，到第三天下午5点才送过来。父母年纪大了，买个大电视画面清晰，趁着耳朵还好使，享受几年。,正面 电视比想象中的大好多，画面也很清晰，系统很智能，更多功能还在摸索中,正面 不错,正面 用了这么多天了，感觉还不错。夏普的牌子还是比较可靠。希望以后比较耐用，现在是考量质量的时候。,正面 物流速度很快，非常棒，今天就看了电视，非常清晰，非常流畅，一次非常完美的购物体验,正面 非常好，客服还特意打电话做回访,正面 物流小哥不错，辛苦了，东西还没用,正面 送货速度快，质量有保障，活动价格挺好的。希望用的久，不出问题。,正面 接着我们需要对语料做一个简单的分析： 数据集中的情感分布； 数据集中的评论句子长度分布。使用以下Python脚本，我们可以统计出数据集中的情感分布以及评论句子长度分布。 import pandas as pd import matplotlib.pyplot as plt from matplotlib import font_manager from itertools import accumulate # 设置matplotlib绘图时的字体 my_font = font_manager.FontProperties(fname="/Library/Fonts/Songti.ttc") # 统计句子长度及长度出现的频数 df = pd.read_csv('./corpus.csv') print(df.groupby('label')['label'].count()) df['length'] = df['evaluation'].apply(lambda x: len(x)) len_df = df.groupby('length').count() sent_length = len_df.index.tolist() sent_freq = len_df['evaluation'].tolist() # 绘制句子长度及出现频数统计图 plt.bar(sent_length, sent_freq) plt.title("句子长度及出现频数统计图", fontproperties=my_font) plt.xlabel("句子长度", fontproperties=my_font) plt.ylabel("句子长度出现的频数", fontproperties=my_font) plt.savefig("./句子长度及出现频数统计图.png") plt.close() # 绘制句子长度累积分布函数(CDF) sent_pentage_list = [(count/sum(sent_freq)) for count in accumulate(sent_freq)] # 绘制CDF plt.plot(sent_length, sent_pentage_list) # 寻找分位点为quantile的句子长度 quantile = 0.91 #print(list(sent_pentage_list)) for length, per in zip(sent_length, sent_pentage_list): if round(per, 2) == quantile: index = length break print("\n分位点为%s的句子长度:%d." % (quantile, index)) # 绘制句子长度累积分布函数图 plt.plot(sent_length, sent_pentage_list) plt.hlines(quantile, 0, index, colors="c", linestyles="dashed") plt.vlines(index, 0, quantile, colors="c", linestyles="dashed") plt.text(0, quantile, str(quantile)) plt.text(index, 0, str(index)) plt.title("句子长度累积分布函数图", fontproperties=my_font) plt.xlabel("句子长度", fontproperties=my_font) plt.ylabel("句子长度累积频率", fontproperties=my_font) plt.savefig("./句子长度累积分布函数图.png") plt.close()输出的结果如下： label 正面 1908 负面 2375 Name: label, dtype: int64 分位点为0.91的句子长度:183.可以看到，正反面两类情感的比例差不多。句子长度及出现频数统计图如下：
句子长度累积分布函数图如下：
可以看到，大多数样本的句子长度集中在1-200之间，句子长度累计频率取0.91分位点，则长度为183左右。 使用LSTM模型接着我们使用深度学习中的LSTM模型来对上述数据集做情感分析，笔者实现的模型框架如下：
完整的Python代码如下： # -*- coding: utf-8 -*- import pickle import numpy as np import pandas as pd from keras.utils import np_utils, plot_model from keras.models import Sequential from keras.preprocessing.sequence import pad_sequences from keras.layers import LSTM, Dense, Embedding, Dropout from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 导入数据 # 文件的数据中，特征为evaluation, 类别为label. def load_data(filepath, input_shape=20): df = pd.read_csv(filepath) # 标签及词汇表 labels, vocabulary = list(df['label'].unique()), list(df['evaluation'].unique()) # 构造字符级别的特征 string = '' for word in vocabulary: string += word vocabulary = set(string) # 字典列表 word_dictionary = {word: i+1 for i, word in enumerate(vocabulary)} with open('word_dict.pk', 'wb') as f: pickle.dump(word_dictionary, f) inverse_word_dictionary = {i+1: word for i, word in enumerate(vocabulary)} label_dictionary = {label: i for i, label in enumerate(labels)} with open('label_dict.pk', 'wb') as f: pickle.dump(label_dictionary, f) output_dictionary = {i: labels for i, labels in enumerate(labels)} vocab_size = len(word_dictionary.keys()) # 词汇表大小 label_size = len(label_dictionary.keys()) # 标签类别数量 # 序列填充，按input_shape填充，长度不足的按0补充 x = [[word_dictionary[word] for word in sent] for sent in df['evaluation']] x = pad_sequences(maxlen=input_shape, sequences=x, padding='post', value=0) y = [[label_dictionary[sent]] for sent in df['label']] y = [np_utils.to_categorical(label, num_classes=label_size) for label in y] y = np.array([list(_[0]) for _ in y]) return x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary # 创建深度学习模型， Embedding + LSTM + Softmax. def create_LSTM(n_units, input_shape, output_dim, filepath): x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary = load_data(filepath) model = Sequential() model.add(Embedding(input_dim=vocab_size + 1, output_dim=output_dim, input_length=input_shape, mask_zero=True)) model.add(LSTM(n_units, input_shape=(x.shape[0], x.shape[1]))) model.add(Dropout(0.2)) model.add(Dense(label_size, activation='softmax')) model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) plot_model(model, to_file='./model_lstm.png', show_shapes=True) model.summary() return model # 模型训练 def model_train(input_shape, filepath, model_save_path): # 将数据集分为训练集和测试集，占比为9:1 # input_shape = 100 x, y, output_dictionary, vocab_size, label_size, inverse_word_dictionary = load_data(filepath, input_shape) train_x, test_x, train_y, test_y = train_test_split(x, y, test_size = 0.1, random_state = 42) # 模型输入参数，需要自己根据需要调整 n_units = 100 batch_size = 32 epochs = 5 output_dim = 20 # 模型训练 lstm_model = create_LSTM(n_units, input_shape, output_dim, filepath) lstm_model.fit(train_x, train_y, epochs=epochs, batch_size=batch_size, verbose=1) # 模型保存 lstm_model.save(model_save_path) N = test_x.shape[0] # 测试的条数 predict = [] label = [] for start, end in zip(range(0, N, 1), range(1, N+1, 1)): sentence = [inverse_word_dictionary[i] for i in test_x[start] if i != 0] y_predict = lstm_model.predict(test_x[start:end]) label_predict = output_dictionary[np.argmax(y_predict[0])] label_true = output_dictionary[np.argmax(test_y[start:end])] print(''.join(sentence), label_true, label_predict) # 输出预测结果 predict.append(label_predict) label.append(label_true) acc = accuracy_score(predict, label) # 预测准确率 print('模型在测试集上的准确率为: %s.' % acc) if __name__ == '__main__': filepath = './corpus.csv' input_shape = 180 model_save_path = './corpus_model.h5' model_train(input_shape, filepath, model_save_path)对上述模型，共训练5次，训练集和测试集比例为9:1，输出的结果为： ...... Epoch 5/5 ...... 3424/3854 [=========================>....] - ETA: 2s - loss: 0.1280 - acc: 0.9565 3456/3854 [=========================>....] - ETA: 1s - loss: 0.1274 - acc: 0.9569 3488/3854 [==========================>...] - ETA: 1s - loss: 0.1274 - acc: 0.9570 3520/3854 [==========================>...] - ETA: 1s - loss: 0.1287 - acc: 0.9568 3552/3854 [==========================>...] - ETA: 1s - loss: 0.1290 - acc: 0.9564 3584/3854 [==========================>...] - ETA: 1s - loss: 0.1284 - acc: 0.9568 3616/3854 [===========================>..] - ETA: 1s - loss: 0.1284 - acc: 0.9569 3648/3854 [===========================>..] - ETA: 0s - loss: 0.1278 - acc: 0.9572 3680/3854 [===========================>..] - ETA: 0s - loss: 0.1271 - acc: 0.9576 3712/3854 [===========================>..] - ETA: 0s - loss: 0.1268 - acc: 0.9580 3744/3854 [============================>.] - ETA: 0s - loss: 0.1279 - acc: 0.9575 3776/3854 [============================>.] - ETA: 0s - loss: 0.1272 - acc: 0.9579 3808/3854 [============================>.] - ETA: 0s - loss: 0.1279 - acc: 0.9580 3840/3854 [============================>.] - ETA: 0s - loss: 0.1281 - acc: 0.9581 3854/3854 [==============================] - 18s 5ms/step - loss: 0.1298 - acc: 0.9577 ...... 给父母买的，特意用了一段时间再来评价，电视非常好，没有坏点和损坏，界面也很简洁，便于操作，稍微不足就是开机会比普通电视慢一些，这应该是智能电视的通病吧，如果可以希望微鲸大大可以更新系统优化下开机时间~电视真的很棒，性价比爆棚，值得大家考虑购买。 客服很细心，快递小哥很耐心的等我通电验货，态度非常好。 负面 正面 长须鲸和海狮回答都很及时，虽然物流不够快但是服务不错电视不错，对比了乐视小米和微鲸论性价比还是微鲸好点 负面 负面 所以看不到4k效果，但是应该可以。 自带音响，中规中矩吧，好像没有别人说的好。而且，到现在没连接上我的漫步者，这个非常不满意，因为看到网上说好像普通3.5mm的连不上或者连上了声音小。希望厂家接下来开发的电视有改进。不知道我要不要换个音响。其他的用用再说。 放在地上的是跟我混了两年的tcl，天气受潮，修了一次，下岗了。 最后，我也觉得底座不算太稳，凑合着用。 负面 负面 电视机一般，低端机不要求那么高咯。 负面 负面 很好，两点下单上午就到了，服务很好。 正面 正面 帮朋友买的，好好好好好好好好 正面 正面 ...... 模型在测试集上的准确率为: 0.9020979020979021.可以看到，该模型在训练集上的准确率为95%以上，在测试集上的准确率为90%以上，效果还是相当不错的。 模型预测接着，我们利用刚刚训练好的模型，对新的数据进行测试。笔者随机改造上述样本的评论，然后预测其情感倾向。情感预测的Python代码如下： # -*- coding: utf-8 -*- # Import the necessary modules import pickle import numpy as np from keras.models import load_model from keras.preprocessing.sequence import pad_sequences # 导入字典 with open('word_dict.pk', 'rb') as f: word_dictionary = pickle.load(f) with open('label_dict.pk', 'rb') as f: output_dictionary = pickle.load(f) try: # 数据预处理 input_shape = 180 sent = "电视刚安装好，说实话，画质不怎么样，很差！" x = [[word_dictionary[word] for word in sent]] x = pad_sequences(maxlen=input_shape, sequences=x, padding='post', value=0) # 载入模型 model_save_path = './sentiment_analysis.h5' lstm_model = load_model(model_save_path) # 模型预测 y_predict = lstm_model.predict(x) label_dict = {v:k for k,v in output_dictionary.items()} print('输入语句: %s' % sent) print('情感预测结果: %s' % label_dict[np.argmax(y_predict)]) except KeyError as err: print("您输入的句子有汉字不在词汇表中，请重新输入！") print("不在词汇表中的单词为：%s." % err)输出结果如下： 输入语句: 电视刚安装好，说实话，画质不怎么样，很差！ 情感预测结果: 负面让我们再尝试着测试一些其他的评论： 输入语句: 物超所值，真心不错 情感预测结果: 正面 输入语句: 很大很好，方便安装！ 情感预测结果: 正面 输入语句: 卡，慢，死机，闪退。 情感预测结果: 负面 输入语句: 这种货色就这样吧，别期待怎样。 情感预测结果: 负面 输入语句: 啥服务态度码，出了事情一个推一个，送货安装还收我50 情感预测结果: 负面 输入语句: 京东服务很好！但我买的这款电视两天后就出现这样的问题，很后悔买了这样的电视 情感预测结果: 负面 输入语句: 产品质量不错，就是这位客服的态度十分恶劣，对相关服务不予解释说明，缺乏耐心， 情感预测结果: 负面 输入语句: 很满意，电视非常好。护眼模式，很好，也很清晰。 情感预测结果: 负面 总结当然，该模型并不是对一切该商品的评论都会有好的效果，还是应该针对特定的语料去训练，去预测。 本文主要介绍了LSTM模型在文本情感分析方面的应用，该项目已上传Github，地址为： https://github.com/percent4/Sentiment_Analysis 。 注意：不妨了解下笔者的微信公众号： Python爬虫与算法（微信号为：easy_web_scrape）， 欢迎大家关注~ 参考文献 Python机器学习 -- NLP情感分析：https://blog.csdn.net/qq_38328378/article/details/81198322 数据集来源：https://github.com/renjunxiang/Text-Classification/blob/master/TextClassification/data/data_single.csv |
【本文地址】
今日新闻 |
推荐新闻 |