TensorFlow深度学习实战——情感分析模型

2025/9/22 9:13:22 来源：https://blog.csdn.net/LOVEmy134611/article/details/144227341 浏览: 次关键词：TensorFlow深度学习实战——情感分析模型

TensorFlow深度学习实战——情感分析模型

- 0. 前言
- 1. IMDB 数据集
- 2. 构建情感分析模型
- 3. 预测输出
- 相关链接

0. 前言

情感分析 (Sentiment Analysis) 是一种自然语言处理 (Natural Language Processing, NLP) 技术，旨在分析和识别文本中的情感倾向，情感分析模型能够根据情感倾向对文本进行分类。在本节中，我们将实现基于全连接神经网络的情感分析模型，以进一步熟悉神经网络构建流程。

1. IMDB 数据集

使用 IMDB 数据集构建情感分析模型。IMDB 数据集包含了来自互联网电影数据库的 50,000 条电影评论文本，每条评论都标记为正面或负面。数据集中 25,000 条评论用于训练、25,000 条用于测试。
目标是构建一个分类器，能够根据文本预测评论是正面还是负面。可以通过 tf.keras 加载 IMDB 数据集，评论中的单词序列已经转换为整数序列，其中每个整数代表字典中的一个特定单词。此外，我们还需要将句子填充到最大长度 max_len，以便将所有句子(无论短长) 作为输入传递给具有固定大小输入向量的神经网络：

import tensorflow as tf
from tensorflow.keras import datasets, layers, models, preprocessingmax_len = 200
n_words = 10000
dim_embedding = 256
EPOCHS = 20
BATCH_SIZE =500def load_data():#load data(X_train, y_train), (X_test, y_test) = datasets.imdb.load_data(num_words=n_words)# Pad sequences with max_lenX_train = preprocessing.sequence.pad_sequences(X_train, maxlen=max_len)X_test = preprocessing.sequence.pad_sequences(X_test, maxlen=max_len)return (X_train, y_train), (X_test, y_test)

2. 构建情感分析模型

构建模型。使用 Embedding() 层将评论中的稀疏单词空间映射到更密集的空间中，使计算更容易，使用 GlobalMaxPooling1D() 层从特征向量中提取最大值；另外，还包含两个 Dense() 层，最后一层由一个具有 sigmoid 激活函数的神经元组成，用于进行最终的二元分类：

def build_model():model = models.Sequential()#Input - Emedding Layermodel.add(layers.Embedding(n_words, dim_embedding, input_length=max_len))model.add(layers.Dropout(0.3))#takes the maximum value of either feature vector from each of the n_words featuresmodel.add(layers.GlobalMaxPooling1D())model.add(layers.Dense(128, activation='relu'))model.add(layers.Dropout(0.5))model.add(layers.Dense(1, activation='sigmoid'))return model

训练模型：

(X_train, y_train), (X_test, y_test) = load_data()
model=build_model()
model.summary()model.compile(optimizer = "adam", loss = "binary_crossentropy",metrics = ["accuracy"])score = model.fit(X_train, y_train,epochs = EPOCHS, batch_size = BATCH_SIZE,validation_data = (X_test, y_test),verbose=2)score = model.evaluate(X_test, y_test, batch_size=BATCH_SIZE)
print("\nTest score:", score[0])
print('Test accuracy:', score[1])

观察网络迭代训练过程：

网络训练过程

模型准确率大约为 85%：

Epoch 20/20
50/50 - 8s - loss: 0.0063 - accuracy: 0.9990 - val_loss: 0.4974 - val_accuracy: 0.8495 - 8s/epoch - 162ms/stepTest score: 0.49739953875541687
Test accuracy: 0.8494799733161926