基于微博评论的自然语言处理情感分析

一、项目概述

二、需要解决的问题

三、数据预处理

1、词汇表构建（vocab_creat.py）

2、数据集加载（load_dataset.py）

四、模型构建（TextRNN.py）

1、嵌入层（Embedding Layer）

2、长短期记忆网络层（LSTM）

3、全连接层（Fully Connected Layer）

五、模型训练与评估（train_eval_test.py）

1、训练过程（train 函数）

2、评估过程（evaluate 函数和 test 函数）

六、项目总结

本文将介绍一个基于自然语言处理技术对微博评论文本（simplifyweibo_4_moods.csv）进行情感分析的项目。

一、项目概述

本文将介绍一个基于自然语言处理技术对微博评论文本（simplifyweibo_4_moods.csv）进行情感分析的项目。

本项目旨在构建一个能够对微博评论进行情感分类的模型，将评论分为 “喜悦”、“愤怒”、“厌恶” 和 “低落” 四种情感类别。项目涵盖了从数据预处理、模型构建到训练和评估的完整流程。

项目任务：对微博评论信息的情感分析，建立模型，自动识别评论信息的情绪状态。

二、需要解决的问题

1、目标：将评论内容转换为词向量。

2、每个词/字转换为词向量长度(维度)200

3、每一次传入的词/字的个数是否就是评论的长度?

应该是固定长度，每次传入数据与图像相似。

例如选择长度为32。则传入的数据为32*200

4、一条评论如果超过32个词/字怎么处理？

直接删除后面的内容

5、一条评论如果没有32个词/字怎么处理？

缺少的内容，统一使用一个数字（非词/字的数字）替代。

6、如果语料库中的词/字太多是否可以压缩？

可以，某些词/字出现的频率比较低，可能训练不出特征。因此可以选择频率比较高的词来训练。例如选择4760个。

7、被压缩的词/字如何处理？

可以统一使用一个数字（非词/字的数字）替代。

三、数据预处理

1、词汇表构建（vocab_creat.py）

（1）、首先，通过自定义的分字函数tokenizer将每条评论内容分隔成单个字符。然后，统计每个字符在所有评论中出现的次数，形成一个字典vocab_dic。

（2）、为了控制词汇表的大小，只保留出现频率高于设定阈值（本项目中min_freq = 1）的字符，并按照出现次数从高到低排序，选取前MAX_VOCAB_SIZE = 4760个字符。

（3）、最后，将特殊字符<UNK>（未知字）和<PAD>（填充）添加到词汇表中，并将词汇表保存为pkl文件（simplifyweibo_4_moods.pkl），以便后续使用。

from tqdm import tqdm
import pickle as pklMAX_VOCAB_SIZE = 4760
UNK, PAD = '<UNK>', '<PAD>'def build_vocab(file_path, max_size, min_freq):tokenizer = lambda x: [y for y in x]  # 定义一个分字函数vocab_dic = {}with open(file_path, 'r', encoding='UTF-8') as f:i = 0for line in tqdm(f):  # 进度条if i == 0:i += 1continuelin = line[2:].strip()  # 获取评论内容，删除标签if not lin:  # 空行跳过continuefor word in tokenizer(lin):vocab_dic[word] = vocab_dic.get(word, 0) + 1  # 以字典保存每个字出现的次数vocab_list = sorted([_ for _ in vocab_dic.items() if _[1] > min_freq], key=lambda x: x[1], reverse=True)[:max_size]vocab_dic = {word_count[0]: idx for idx, word_count in enumerate(vocab_list)}vocab_dic.update({UNK: len(vocab_dic), PAD: len(vocab_dic) + 1})  # UNK:4760, PAD:4761print(vocab_dic)pkl.dump(vocab_dic, open('simplifyweibo_4_moods.pkl', 'wb'))  # one-hot编码print(f"Vocab size:{len(vocab_dic)}")return vocab_dicif __name__ == "__main__":vocab = build_vocab('simplifyweibo_4_moods.csv', MAX_VOCAB_SIZE, 1)print("vocab")

2、数据集加载（load_dataset.py）

（1）、从保存的词汇表文件中读取词汇信息。然后，对原始的微博评论文本数据进行处理。

（2）、对于每条评论，提取其情感标签（0，1，2，3），并将评论内容进行分字处理。根据设定的最大长度pad_size = 70，如果字符数少于 70，则用<PAD>填充；如果多于 70，则只取前 70 个字。

（3）、将每个字符转换为词汇表中的对应索引，最终将处理后的每条评论信息（包括字符索引列表、情感标签和实际长度）以元组形式存储在列表中。

（4）、接着，将整个数据集随机打乱，并按照 80%、10%、10% 的比例划分为训练集、验证集和测试集。

注：__next__方法用于按顺序获取数据

__getitem__方法通过索引获取数据

from tqdm import tqdm
import pickle as pkl
import random
import torchUNK, PAD = '<UNK>', '<PAD>'  # 未知字，padding符号def load_dataset(path, pad_size=70):  # path为文件地址，pad_size为单条评论字符的最大长度contents = []  # 用来存储转换为数值标号的句子vocab = pkl.load(open('simplifyweibo_4_moods.pkl', 'rb'))  # 读取vocab词库文件，rb二进制只读tokenizer = lambda x: [y for y in x]  # 自定义函数用来将字符串分隔成单个字符并存入列表with open(path, 'r', encoding='utf8') as f:i = 0for line in tqdm(f):  # 遍历文件内容的每一行，同时展示进度条if i == 0:  # 此处循环目的为了跳过第一行的无用内容i += 1continueif not line:  # 筛选是不是空行，空行则跳过continuelabel = int(line[0])  # 返回当前行的标签content = line[2:].strip('\n')  # 取出标签和逗号后的所有内容，同时去除前后的换行符(评论内容)words_line = []token = tokenizer(content)  # 将每一行的内容进行分字，返回一个列表seq_len = len(token)  # 获取一行实际内容的长度if pad_size:if len(token) < pad_size:  # 如果一行的字符数少于70，则填充字符<PAD>，填充个数为少于的部分的个数token.extend([PAD] * (pad_size - len(token)))else:  # 如果一行的字大于70，则只取前70个字token = token[:pad_size]  # 如果一条评论种的宁大于或等于70个字，索引的切分seq_len = pad_size  # 当前评论的长度# word to idfor word in token:  # 遍历实际内容的每一个字符words_line.append(vocab.get(word, vocab.get(UNK)))  # vocab为词库，其中为字典形式，# 使用get去获取遍历出来的字符的值，值可表示索引值，# 如果该字符不在词库中则将其值增加为字典中键UNK对应的值，# words_line中存放的是每一行的每一个字符对应的索引值contents.append((words_line, int(label), seq_len))  # 将每一行评论的字符对应的索引以及这一行评论的类别，还有当前评论的实际内容的长度，以元组的形式存入列表random.shuffle(contents)  # 随机打乱每一行内容的顺序"""切分80%训练集、10%验证集、10%测试集"""train_data = contents[: int(len(contents) * 0.8)]  # 前80%的评论数据作为训练集dev_data = contents[int(len(contents) * 0.8):int(len(contents) * 0.9)]  # 把80%~90%的评论数据集作为验证数热test_data = contents[int(len(contents) * 0.9):]  # 90%~最后的数据作为测试数据集return vocab, train_data, dev_data, test_data  # 返回词库、训练集、验证集、测试集，数据集为列表中的元组形式class DatasetIterater(object):def __init__(self, batches, batch_size, device):self.batch_size = batch_sizeself.batches = batchesself.n_batches = len(batches) // batch_sizeself.residue = Falseif len(batches) % self.n_batches != 0:  # 表示有余数self.residue = Trueself.index = 0self.device = devicedef _to_tensor(self, datas):x = torch.LongTensor([_[0] for _ in datas]).to(self.device)  # 评论内容y = torch.LongTensor([_[1] for _ in datas]).to(self.device)  # 评论情感# pad前的长度(超过pad_size的设为pad_size)seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device)return (x, seq_len), y  # (([23,34,..13],70),2)# __getitem__:是通过索引的方式获取数据对象中的内容。__next__ 是使用 for i in trgin iter:def __next__(self):  # 用于定义迭代器对象的下一个元素。当一个对象实现了__next_方法时，它可以被用于创建迭代器对象。if self.residue and self.index == self.n_batches:  # 当读取到数据的最后一个batch:batches = self.batches[self.index * self.batch_size: len(self.batches)]self.index += 1batches = self._to_tensor(batches)  # 转换数据类型tensorreturn batcheselif self.index > self.n_batches:  # 当读取完最后一个batch时:self.index = 0raise StopIteration  # 为了防止迭代永远进行，我们可以使用StopIteration(停止迭代)语句else:  # 当没有读取到最后一个batch时:batches = self.batches[self.index * self.batch_size:(self.index + 1) * self.batch_size]  # 提取当前bathsize的数据量self.index += 1batches = self._to_tensor(batches)return batchesdef __iter__(self):return selfdef __len__(self):if self.residue:return self.n_batches + 1else:return self.n_batchesif __name__ == '__main__':vocab, train_data, dev_data, test_data = load_dataset('simplifyweibo_4_moods.csv')print(train_data, dev_data, test_data)print('结束')# 将train_data、dev_data、test_data数据内容保存为pkl文件，分别后面直接读取。# #当我们自己写一个函数的时候，调试，函数调试好，

四、模型构建（TextRNN.py）

本项目采用了 TextRNN 模型，它是一种基于循环神经网络（RNN）的架构，具有以下特点：

1、嵌入层（Embedding Layer）

（1）、如果有预训练的词嵌入向量（本项目中从embedding_Tencent.npz文件加载），则使用nn.Embedding.from_pretrained方法创建嵌入层；否则，使用nn.Embedding随机初始化词嵌入矩阵。

（2）、嵌入层的作用是将输入的字符索引转换为低维的向量表示，捕捉字符之间的语义关系。

2、长短期记忆网络层（LSTM）

（1）、采用多层双向 LSTM 结构（nn.LSTM），其中每层有 128 个隐藏单元，共 3 层。双向 LSTM 能够同时捕捉文本的正向和反向信息，更好地理解文本的语义。

（2）、通过设置batch_first = True，使输入数据的维度顺序符合批量优先的原则，方便后续的计算。同时，使用dropout = 0.3来防止过拟合。

3、全连接层（Linear）

最后一层是全连接层（nn.Linear），它将 LSTM 层输出的特征向量映射到情感类别数量的维度上（本项目中为 4 种情感类别），从而得到每个类别的预测概率。

import torch
import torch.nn as nn
import torch.nn.functional as F
import numpy as np
import sysclass Model(nn.Module):def __init__(self, embedding_pretrained, n_vocab, embed, num_classes):super(Model, self).__init__()if embedding_pretrained is not None:self.embedding = nn.Embedding.from_pretrained(embedding_pretrained, padding_idx=n_vocab - 1)else:self.embedding = nn.Embedding(n_vocab, embed, padding_idx=n_vocab - 1)self.lstm = nn.LSTM(embed, 128, 3, bidirectional=True, batch_first=True, dropout=0.3)self.fc = nn.Linear(128 * 2, num_classes)def forward(self, x):x, _ = xout = self.embedding(x)out, _ = self.lstm(out)out = self.fc(out[:, -1, :])return out

五、模型训练与评估（train_eval_test.py）

1、训练过程（train 函数）

（1）、在训练过程中，使用torch.optim.Adam优化器对模型参数进行更新，学习率设置为1e - 3。

（2）、每个训练轮次（epoch）中，遍历训练集的每个批次（batch）。对于每个批次的数据，计算模型的输出和损失（使用交叉熵损失函数F.cross_entropy），然后进行反向传播更新模型参数。

（3）、每 100 个批次，在训练集和验证集上评估模型的性能。计算准确率（accuracy）作为评估指标，如果验证集上的损失小于之前的最优损失，则保存当前模型为最优模型，并记录对应的批次编号。

（4）、如果在连续 10000 个批次中模型没有得到优化，则自动停止训练。

2、评估过程（evaluate 函数和 test 函数）

（1）、在评估阶段，关闭梯度计算（with torch.no_grad()），以节省内存和计算资源。

（2）、对于测试集或验证集的数据，计算模型的输出和损失，并将预测结果与真实标签进行比较。计算准确率和其他评估指标（如分类报告metrics.classification_report），以全面评估模型的性能。

import torch
import torch.nn.functional as F
import torch.nn as nn
import numpy as np
from sklearn import metrics
import timedef evaluate(class_list,model,data_iter,test=False):model.eval()loss_total=0predict_all = np.array([],dtype=int)labels_all = np.array([],dtype=int)with torch.no_grad():  # 一个上下文管理器，关闭梯度计算。当你确认不会调用Tensor.backward()的for texts,labels in data_iter:outputs = model(texts)loss = F.cross_entropy(outputs,labels)loss_total += losslabels = labels.data.cpu().numpy()predic = torch.max(outputs.data,1)[1].cpu().numpy()labels_all = np.append(labels_all,labels)predict_all = np.append(predict_all,predic)acc = metrics.accuracy_score(labels_all,predict_all)if test:report = metrics.classification_report(labels_all,predict_all,target_names=class_list,digits=4)return acc,loss_total/len(data_iter),reportreturn acc,loss_total/len(data_iter)def test(model,test_iter,class_list):model.load_state_dict(torch.load('TextRNN.skpt'))model.eval()start_time = time.time()test_acc,test_loss,test_report = evaluate(class_list,model,test_iter,test=True)msg = "Test Loss:{0:>5.2},Test Acc:{1:6.2%}"print(msg.format(test_loss,test_acc))print(test_report)passdef train(model,train_iter,dev_iter,test_iter,class_list):model.train()optimizer = torch.optim.Adam(model.parameters(),lr=1e-3)total_batch = 0dev_best_loss = float('inf')last_improve = 0flag = Falseepochs = 2for epoch in range(epochs):print('Epoch [{}/{}]'.format(epoch+1,epochs))for i,(trains,labels) in enumerate(train_iter):# 经过DatasetIterater中的to_tensor  返回的数据格式为:(x，seq_len)，youtputs = model(trains)loss = F.cross_entropy(outputs,labels)model.zero_grad()loss.backward()optimizer.step()if total_batch % 100 == 0:   # 每多少轮输出在训练集和验证集上的效果predic = torch.max(outputs.data,1)[1].cpu()train_acc = metrics.accuracy_score(labels.data.cpu(),predic)dev_acc,dev_loss = evaluate(class_list,model,dev_iter)    # 将验证数据集传入模型，获得验证结果if dev_loss < dev_best_loss:dev_best_loss = dev_loss  # 保存最优模型torch.save(model.state_dict(),'TextRNN.ckpt')last_improve = total_batch   # 保存最优模型的batch值 800batchs 21000msg = 'Iter:{0:>6},Train Loss:{1:>5.2},Train Acc:{2:>6.2%},Val Loss:{3:>5.2},Val Acc:{4:>6.2%}'print(msg.format(total_batch,loss.item(), train_acc, dev_loss, dev_acc))model.train()total_batch += 1if total_batch - last_improve > 10000:print("No optimization for a long time,auto-stopping...")flag = Trueif flag:break# test(model,test_iter,class_list)