翻译NSC：neural sentiment classifiction 神经情感分析

翻译网址
https://github.com/thunlp/NSC
介绍：
情感分析目标：使用神经网络分析文档的情感
在这个项目中,我们提供的实现NSC, NSC +LA和NSC + UPA
用户和产品信息被认为是通过关注在不同语义的水平。

评估结果：
Evaluation results on document-level sentiment classification. Acc.(Accuracy) and RMSE are the evaluation metrics.
文档级别的情感分析结果：精准率，均方根误差

数据：

提供数据：IMDB,Yelp13,Yelp14

将原始数据处理为满足代码输入的格式
数据集包含7个文件，具体如下：
train.txt: 训练集 格式：使用者ID 产品ID 类别 文件
dev.txt: 发展集, 格式与train相同
test.txt: 测试集, 格式与train相同

wordlist.txt: 词表，相同序列的相应单词，预训练词向量,每行一个。

usrlist.txt: 使用者ID汇总，每行一个

prdlist.txt:产品ID，每行一个

embinit.save:预训练，词嵌入文件 pickle文件

代码
训练：train.py

THEANO_FLAGS="floatX=float32,device=gpu" python train.py $dataset $class

dataset：数据集文件 class:类别数。
结果保存在：model/bestmodel/
举例：

THEANO_FLAGS="floatX=float32,device=gpu" python train.py IMDB 10

测试：test.py

THEANO_FLAGS="floatX=float32,device=gpu" python test.py $dataset $class

dataset：数据集文件 class:类别数。
举例：

THEANO_FLAGS="floatX=float32,device=gpu" python test.py IMDB 10

结果：Accuracy and RMSE 显示在屏幕上
dataset.py：处理输入数据的源程序
emblayer.py:输入层，读取data文件夹下embinit.save(预训练词向量文件，pickle形式)
GetpEmblayer.py:获取产品词向量表征
GetuEmblayer.py:获取用户词向量表征
lstmlayer.py:定义lstm-layer层，并设置相关参数
lstmmodel.py:层级lstm模型
hiddenlayer.py:隐藏层
poollayer.py:池化层
prdEmblayer.py:产品属性信息矩阵
usrEmblayer.py：用户个性信息矩阵
updata.py:更新各类参数
sentencesortlayer.py:句子分类

引用：
[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin and Zhiyuan Liu. Neural Sentiment Classification with User and Product Attention.

参考文献：
[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin and Zhiyuan Liu. Neural Sentiment Classification with User and Product Attention.

[Tang et al., 2015] Duyu Tang, Bing Qin, Ting Liu. Learning Semantic Representations of Users and Products for Document Level Sentiment Classification. In Proceedings of EMNLP.