【Python文本数据系列】使用LSTM模型进行文本情感分析（案例+源码）_lstm情感分类python代码

这是我的第257篇原创文章。

一、引言

当使用深度学习处理文本分类任务时，遵循的流程如下：

• 首先，准备数据，而且数据量要大，才能发挥神经网络的优势；

• 再者，进行文本预处理，将文本数据转化成向量化数据，划分训练集、验证集和测试集；

• 其次，依据分析目标选择合适的神经网络模型，搭建网络、进行参数设置；

• 最后，训练模型，通过评估指标确定模型效果。

本文基于具体具体的实例采用LSTM模型进行文本情感分析。

二、实现过程

2.1 准备数据

读取数据：

reviews = pd.read_csv('dataset.csv')
print(reviews.head())

2.2 文本预处理

将影评情感转为0和1的数值，并将影评和情感转化为numpy数组：

reviews['sentiment'] = np.where(reviews['sentiment'] == 'positive', 1, 0)
sentences = reviews['review'].to_numpy()
labels = reviews['sentiment'].to_numpy()

划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(sentences, labels, test_size=0.25)
print("Training Data Input Shape: ", X_train.shape)
print("Training Data Output Shape: ", y_train.shape)
print("Testing Data Input Shape: ", X_test.shape)
print("Testing Data Output Shape: ", y_test.shape)

构建分词器，构建单词索引，将字符串转化成整数索引组成的列表：

vocab_size = 10000
oov_tok = "<OOV>"
tokenizer = Tokenizer(num_words=vocab_size, oov_token=oov_tok)
tokenizer.fit_on_texts(X_train)
train_sequences = tokenizer.texts_to_sequences(X_train)

将整数列表转化为二维数值张量，相同的操作对测试集再执行一遍：

sequence_length = 200
train_padded = pad_sequences(train_sequences, maxlen=sequence_length, padding='post', truncating='post')
test_sequences = tokenizer.texts_to_sequences(X_test)
test_padded = pad_sequences(test_sequences, maxlen=sequence_length, padding='post', truncating='post')

2.3 模型搭建

使用Sequential类定义模型，首先定义Embedding词嵌入层。这是因为深度学习模型只能处理数值张量类型的数据。16表示的是词向量维度。接着定义一个双向LSTM层，定义一个relu激活的全连接层，定义一个使用sigmoid激活的输出层。因为是二分类任务，所以最后输出值为“积极”情感的概率。最后定义损失函数、优化器和评估指标。

embedding_dim = 16
lstm_out = 32
model = Sequential()
model.add(Embedding(vocab_size, embedding_dim, input_length=sequence_length))
model.add(Bidirectional(LSTM(lstm_out)))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

2.4 模型训练及评估

模型自动判断迭代次数，防止过拟合，然后开始模型训练和测试：

checkpoint_filepath = os.getcwd()
model_checkpoint_callback = ModelCheckpoint(filepath=checkpoint_filepath, save_weights_only=False, monitor='val_loss', mode='min', save_best_only=True)
callbacks = [EarlyStopping(patience=2), model_checkpoint_callback]
history = model.fit(train_padded, y_train, epochs=10, validation_data=(test_padded, y_test), callbacks=callbacks)
 
metrics_df = pd.DataFrame(history.history)
print(metrics_df)

打印模型结果，可以看到我们定义的是迭代10次，实际上4次之后就过拟合了。所以，在没有进行网络参数调优的情况下，获得了87%的准确率，深度学习的能力确实是非常惊艳。

作者简介：

读研期间发表6篇SCI数据挖掘相关论文，现在某研究院从事数据算法相关科研工作，结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创，以最简单的方式理解和学习，关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。