基于IMDb数据集的情感分析（Doc2Vec模型与神经网络实现）

使用Doc2Vec模型参加Kaggle的NLP比赛，最终score达到0.97，前2%。

本文所有的代码都可以在我的github上找到。

在上一篇博文中，我们使用了TF-IDF，准确率达到了0.95，已经进入前100，但还不够，我们试试使用更加高大上的Doc2Vec结合神经网络模型，其准确率能否再次提升。

数据介绍

• 本数据来源于IMDB电影评论集，是Kaggle上一个入门的项目。
• 在Kaggle上详细使用了word2vec进行向量化，本文主要介绍Doc2Vec模型的使用，并使用神经网络模型提高准确率。
• 数据包括
  
  • **测试数据（testData)：**25000条
  • 未标注数据（unlabelData）：5000条
  • 训练数据（trainData）：25000条（正负情感各一半）
  • 每个电影的评论都不超过30条（测试集电影与训练集电影不相同）
  • 我们使用所有数据来作为doc2vect模型的语料
• 本文主要使用python中的pandas、nltk、gensim、TensorFlow库进行数据清理和分析。
• 注意，在kaggle上，针对此题的评分标准是按照ROC曲线（AUC） ，并不是硬分类，参考Wikipedia。

数据预处理

此部分的JupyterNotebook可参考这里。

对于拿到的电影评论数据，我们需要进行数据清理以后才能使用doc2vec进行向量化。

本文采用pandas库进行数据预处理，好处是可以使用apply函数对其进行并发操作，提高效率。

NLP的数据预处理一般包括以下几个部分：

1. 如果是网页内容，首先需要去掉Html tag
2. 将文档分割成句子。
3. 将句子分割成词语。
4. 纠正拼写错误（可选）、替换缩写词（可选）。
5. Lemmatizer、stemming
   
   • 词型还原或词干提取，两者的差别可参考这里
6. 去除停顿词，去除标点、转化为小写字母。
7. 去掉长度过短的词语。

本项目没有纠正拼写错误（口语化词语太多）、没有去处数字（实测会提高精度）最后将训练集分开（pos和neg）。

Doc2vec

此部分的JupyterNotebook可参考这里。

Doc2Vec模型比较复杂，相对于word2vec模型，它可以直接得到每个文档的向量，省略了将词向量转换为段向量的过程。

由于其直接是段向量，因此考虑了词之间的顺序，具有较好的语义信息。

而传统的word2vec模型，使用平均词向量或聚类的方式得到的段向量没有考虑词的顺序。

输入数据

• test.txt：25000 条评论用于测试
• train-neg.txt: 12500 条negative 评论用于训练
• train-pos.txt: 12500 条