Go最全情感分析——深入snownlp原理和实践(1)，国内一线互联网公司面试题汇总_snownlp模型训练相关公式

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

)

=

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

P\left ( w_1,\cdots ,w_n \right )=P\left ( w_1,\cdots ,w_n\mid c_1 \right )\cdot P\left ( c_1 \right )+P\left ( w_1,\cdots ,w_n\mid c_2\right )\cdot P\left ( c_2\right )

3.1、贝叶斯模型的训练

贝叶斯模型的训练过程实质上是在统计每一个特征出现的频次，其核心代码如下：

def train(self, data):
    # data 中既包含正样本，也包含负样本
    for d in data: # data中是list
        # d[0]:分词的结果，list
        # d[1]:正/负样本的标记
        c = d[1]
        if c not in self.d:
            self.d[c] = AddOneProb() # 类的初始化
        for word in d[0]: # 分词结果中的每一个词
            self.d[c].add(word, 1)
    # 返回的是正类和负类之和
    self.total = sum(map(lambda x: self.d[x].getsum(), self.d.keys())) # 取得所有的d中的sum之和
1
2
3
4
5
6
7
8
9
10
11
12

这使用到了AddOneProb类，AddOneProb类如下所示：

class AddOneProb(BaseProb):

    def \_\_init\_\_(self):
        self.d = {}
        self.total = 0.0
        self.none = 1 # 默认所有的none为1
    # 这里如果value也等于1，则当key不存在时，累加的是2
    def add(self, key, value):
        self.total += value
        # 不存在该key时，需新建key
        if not self.exists(key):
            self.d[key] = 1
            self.total += 1
        self.d[key] += value
1
2
3
4
5
6
7
8
9
10
11
12
13
14

注意：

1. none的默认值为1
2. 当key不存在时，total和对应的d[key]累加的是1+value，这在后面预测时需要用到

AddOneProb类中的total表示的是正类或者负类中的所有值；train函数中的total表示的是正负类的total之和。

当统计好了训练样本中的total和每一个特征key的d[key]后，训练过程就构建完成了。

3.2、贝叶斯模型的预测

预测的过程使用到了上述的公式，即：

P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)

P

(

c

1

∣

w

1

,

⋯

,

w

n

)

=

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

P\left ( c_1\mid w_1,\cdots ,w_n \right )=\frac{P\left ( w_1,\cdots , w_n\mid c_1 \right )\cdot P(c_1)}{P\left ( w_1,\cdots ,w_n\mid c_1 \right )\cdot P\left ( c_1 \right )+P\left ( w_1,\cdots ,w_n\mid c_2\right )\cdot P\left ( c_2\right )}

对上述的公式简化：

P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)=11+P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1)=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1))]=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2))−log(P(w1,⋯,wn∣c1)⋅P(c1))]

P

(

c

1

∣

w

1

,

⋯

,

w

n

)

=

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

=

1

1

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

=

1

1

e

x

p

[

l

o

g

(

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

)

]

=

1

1

e

x

p

[

l

o

g

(

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

)

−

l

o

g

(

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

)

]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

)

]

=

1

1

e

x

p

[

l

o

g

(

P

(

w

1

,

⋯

,

w

n

∣

c

2

)

⋅

P

(

c

2

)

)

−

l

o

g

(

P

(

w

1

,

⋯

,

w

n

∣

c

1

)

⋅

P

(

c

1

)

)

]

[外链图片转存中…(img-on67nhRD-1715510594199)]
[外链图片转存中…(img-w0lw29R9-1715510594200)]

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加戳这里获取

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！