NLP文本分类问题-电影评论的情感分析

最新推荐文章于 2021-11-13 17:31:27 发布

原创

最新推荐文章于 2021-11-13 17:31:27 发布 · 2.4k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#python #自然语言处理 #深度学习

在这里插入图片描述

预训练词嵌入
数据集是kaggle上的竞赛数据
文本分类问题-电影评论的情感分析。
https://www.kaggle.com/columbine/imdb-dataset-sentiment-analysis-in-csv-format。

从头开始学习嵌入

import pandas as pd
import numpy as np

#读取csv文件
train = pd.read_csv('/kaggle/input/imdb-dataset-sentiment-analysis-in-csv-format/Train.csv')
valid = pd.read_csv('/kaggle/input/imdb-dataset-sentiment-analysis-in-csv-format/Valid.csv')             

#训练测试集分离
x_tr, y_tr = train['text'].values, train['label'].values
x_val, y_val = valid['text'].values, valid['label'].values

from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences

tokenizer = Tokenizer()

#准备词汇表
tokenizer.fit_on_texts(list(x_tr))

#将文本转换为整数序列
x_tr_seq  = tokenizer.texts_to_sequences(x_tr) 
x_val_seq = tokenizer.texts_to_sequences(x_val)

#填充以准备相同长度的序列
x_tr_seq  = pad_sequences(x_tr_seq, maxlen=100)
x_val_seq = pad_sequences(x_val_seq, maxlen=100)

【text.Tokenizer类】
函数：
fit_on_text(texts) 使用一系列文档来生成token词典，texts为list类，每个元素为一个文档。
texts_to_sequences(texts) 将多个文档转换为word下标的向量形式,shape为[len(texts)，len(text)] – (文档数，每条文档的长度)
texts_to_matrix(texts) 将多个文档转换为矩阵表示,s