前言

🔥 優(yōu)質競賽項目系列，今天要分享的是

酒店評價的情感傾向分析

該項目較為新穎，適合作為競賽課題方向，學長非常推薦！

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate

概述

本文基于7K條攜程酒店評價數(shù)據(jù)為文本數(shù)據(jù)，將其導入到Keras的模型架構然后進行訓練出一個可用于實際場所預測情感的模型。

項目所需模塊

?

import tensorflow as tf  
import matplotlib.pyplot as plt
import pandas as pd
from sklearn.model_selection import train_test_split
import tensorflow.keras as keras# 導入jieba分詞庫
import jieba 
import re

數(shù)據(jù)

數(shù)據(jù)說明

7000多條攜程酒店評論數(shù)據(jù)，5000多條正向評論，2000多條負向評論。

字段說明

• 評論數(shù)目（總體）：7766
• 評論數(shù)目（正向）：5322
• 評論數(shù)目（負向）：2444

數(shù)據(jù)處理

?

# 讀取數(shù)據(jù)
data = pd.read_csv("/home/kesci/input/labelreview5456/ChnSentiCorp_htl_all.csv")
# 查看數(shù)據(jù)的前5項
data.head()

分詞處理

?

# 去除標點符號和數(shù)字
# 要去除標點符號和數(shù)字，常用的辦法就是使用正則表達式來處理，或者自行編寫遍歷替換函數(shù)# 模式串
patten = r"[!\"#$%&'()*+,-./:;<=>?@[\\\]^_`{|}~—！，。？·￥、《》···【】：" "''\s0-9]+"  
re_obj = re.compile(patten)# 替換函數(shù)--去除標點符號和數(shù)字
def clear(text):return re_obj.sub('', text)# 將正則表達式替換函數(shù)應用于每一行
data["review"] = data["review"].apply(clear)
# 查看前5行替換結果data["review"][:5]

采用精簡處理，啟用HMM(隱式馬爾科夫網(wǎng)絡)處理

?

def cut_words(words):return jieba.lcut(words) # 使用lcut分詞#apply函數(shù)對series的每一行數(shù)據(jù)進行處理
data["review"] = data["review"].apply(cut_words)
data["review"][:5]

停用詞處理

?

# 使用 中文停用詞表 stop_words = "/home/kesci/work/stopwords-master/stopwords.txt"stop_list = [i.strip() for i in open(stop_words, encoding='utf-8').readlines()]  #讀取停用詞列表def remove_stop(words):  #移除停用詞函數(shù)texts = []for word in words:  # 遍歷詞列表里的每一個詞if word not in stop_list:  # 若不在停用詞列表中就將結果追加至texts列表中texts.append(word)return textsdata['review'] = data['review'].apply(remove_stop)# 查看前5行data["review"][:5]

樣本均衡

?

data["label"].value_counts().plot(kind = 'bar')
plt.text(0, 6000, str(data["label"].value_counts()[1]),ha = 'center', va = 'top')
plt.text(1, 3000, str(data["label"].value_counts()[0]),ha = 'center', va = 'top')
plt.ylim(0, 6500)
plt.title('正負樣本的個數(shù)')
plt.show()

從柱狀圖可以看出，該數(shù)據(jù)集共7766條數(shù)據(jù)，其中正樣本(label = 1)共有5322條，負樣本(label = 0)共有2444條，沒有重復數(shù)據(jù)

顯然樣本存在嚴重的不均衡問題，這里考慮兩種樣本均衡的策略
（1）欠采樣，正負樣本各2000條，一共4000條
（2）過采樣，正負樣本各3000條，一共6000條

為減少計算量和對比兩種均衡策略的效果，這里采用先把整體數(shù)據(jù)進行處理，再做樣本均衡采樣

?

def get_balanced_words(size,positive_comment=data[data['label'] == 1],negtive_comment=data[data['label'] == 0]):word_size = size // 2#獲取正負評論數(shù)num_pos = positive_comment.shape[0]num_neg = negtive_comment.shape[0]#     當 正(負)品論數(shù)中<采樣數(shù)量/2 時，進行上采樣，否則都是下采樣；#     其中pandas的sample方法里的repalce參數(shù)代表是否進行上采樣，默認不進行balanced_words = pd.concat([positive_comment.sample(word_size,replace=num_pos < word_size,random_state=0),negtive_comment.sample(word_size,replace=num_neg < word_size,random_state=0)])#     打印樣本個數(shù)print('樣本總數(shù)：', balanced_words.shape[0])print('正樣本數(shù)：', balanced_words[data['label'] == 1].shape[0])print('負樣本數(shù)：', balanced_words[data['label'] == 0].shape[0])print('')return balanced_words

建立多層感知機分類模型

可以看到共有四層：平坦層共有1600個神經(jīng)元，平坦層在這里可以看作為輸入層。隱藏層共有256個神經(jīng)；輸出層只有1個神經(jīng)元。全部必須訓練的超參數(shù)有474113個，通常超參數(shù)數(shù)值越大，代表此模型越復雜，需要更多時間進行訓練。

訓練模型

網(wǎng)絡檢測率以及檢測結果

?

input_text = """去之前會有擔心，因為疫情，專門打了電話給前臺，前臺小哥哥好評，耐心回答，打消了我的顧慮，nice!! 看得出有做好防疫情清潔消毒工作，前臺登記反復詢問，確保出行軌跡安全，體溫測量登記，入住好評，選了主題房，設計是我喜歡的.總之下次有需要還是會自住或推薦!!"""predict_review(input_text)result ： 正面評價！

至此，對攜程酒店評價的情感傾向分析，以建立一個簡單的多層感知器模型結束，由于文章所限，后續(xù)的模型優(yōu)化以及與其他深度學習的模型的比較就不進行簡述，有興趣的同學可以留意學長后續(xù)文章。謝謝各位同學！

最后

🧿 更多資料, 項目分享：

https://gitee.com/dancheng-senior/postgraduate