【自然语言处理】基于 NLP 的电影评论情感分析模型比较

本系列文章包含：

• 基于 NLP 的电影评论情感分析模型比较
• 情感分析（一）：基于 NLTK 的 Naive Bayes 实现
• 情感分析（二）：基于 scikit-learn 的 Naive Bayes 实现
• 情感分析（三）：基于 Word2Vec 的 LSTM 实现
• 情感分析（四）：基于 Tokenizer 和 Word2Vec 的 CNN 实现
• 情感分析（五）：基于 BERT 实现

---

一段时间以来，使用机器学习的 NLP 任务借助 BERT（Bidirectional Encoder Representations from Transformers）模型被认为是当前的黄金标准。这些模型通常用于我们日常的许多语言处理任务，比如谷歌搜索自动补全等。然而，我们会怀疑 BERT 模型是否是所有语言处理任务的最佳选择？

我们使用 imdb 电影评论数据集并执行情感分析以确定电影评论的相应评级。我们对不同模型可实现的精度进行了探索性估计，并尝试探索在模型大小、训练时间及其相应精度之间进行适当权衡的想法。目的是用不太复杂的模型以更快的速度完成更简单的任务，从而获得可比较的结果。

1.BERT 模型

目前最流行的以 NLP 为目的的方法，它可以为句子预测、情感分析、聊天机器人回复、文本摘要等不同的任务实现一些真正令人难以置信的准确度。BERT 的核心是一个具有可变数量的转换器语言模型编码器层和自注意力头。这使模型能够执行上下文化的单词嵌入，从而在嵌入中保留更多含义。两种主要的 BERT 模型是 B E R T b a s e BERT_{base}