燃爆！17行Python代码做情感分析？你也可以的_python用senta模型实现中文情感分析-优快云博客

本文链接：https://blog.youkuaiyun.com/ajian6/article/details/94474728

本文通过17行Python代码展示了如何使用Senta-BiLSTM模型进行情感分析，包括成语、转折复句和具体场景的情感评估。在成语情感分析中正确率为85%，转折语句分析为65%，具体场景分析表现出色，揭示了模型在处理某些复杂中文表达时的局限性和潜力。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

17行代码跑最新NLP模型?你也可以!

本次作者评测所需(防吓退)

一台可以上网的电脑
基本的python代码阅读能力，用于修改几个模型参数
对百度中文NLP最新成果的浓烈兴趣

训练模型：Senta情感分析模型基本简介

Senta是百度NLP开放的中文情感分析模型，可以用于进行中文句子的情感分析，输出结果为{正向/中性/负向}中的一个，关于模型的结构细节，请查看Senta----github.com/PaddlePaddle/Paddlehub/demo/senta

本示例代码选择的是Senta-BiLSTM模型。
模型来源：Paddlehub简介

PaddleHub是基于PaddlePaddle开发的预训练模型管理工具，可以借助预训练模型更便捷地开展迁移学习工作。

本次评测中只使用了预训练模型，没有进行fine-tune
代码运行环境：百度 AI studio

实验代码

来自paddlehub/senta_demo.py

github：https://github.com/PaddlePaddle/PaddleHub/blob/release/v0.5.0/demo/senta/senta_demo.py

from __future__ import print_function 
import json 
import os 
import six 
import paddlehub as hub 
if __name__ == "__main__": 
 # 加载senta模型 
 senta = hub.Module(name="senta_bilstm") 
 # 把要测试的短文本以str格式放到这个列表里 
 test_text = [ 
 "这家餐厅不是很好吃", 
 "这部电影差强人意", 
 ] 
 # 指定模型输入 
 input_dict = {"text": test_text} 
 # 把数据喂给senta模型的文本分类函数 
 results = senta.sentiment_classify(data=input_dict) 
 # 遍历分析每个短文本 
 for index, text in enumerate(test_text): 
 results[index]["text"] = text 
 for index, result in enumerate(results): 
 if six.PY2: 
 print( 
 json.dumps(results[index], encoding="utf8", ensure_ascii=False)) 
 else: 
 print('text: {},    predict: {}'.format(results[index]['text'],results[index]['sentiment_key'])) 
PYthon学习企鹅裙：88198-2657  领取python自动化编程资料教程

详细测评