融合对抗与注意力机制的Bi-LSTM网络在景区评论情感分析中的应用
- 0、数据标注，规范语句结构
- 1、word2vec词向量训练
- 2、使用标注语句进行模型训练
- 3、使用未标注语句进行情感预测
- 4、结合预测值生成评价分数
- Python 3.8.12
- Tensorflow 2.3.0
- Gensim 4.1.2
- Jieba 0.42.0
数据目录结构如下：
.
├── data # 语料
│ ├── 2class
│ │ ├── JD_MixedTrain.csv
│ │ ├── reviews_wuhan_labeled_plus.csv
│ │ └── reviews_wuhan_labeled.csv
│ ├── 3class
│ │ ├── reviews_wuhan_labeled_plus.csv
│ │ └── reviews_wuhan_labeled.csv
│ ├── corpus
│ │ └──reviews_wuhan_seg.txt
| └── result
|
├── logs # 日志文件
│
├── model_load # 预训练模型路径
│ ├── xxxxx
│ └── xxxxx
│
├── model_save # 训练模型保存路径
│ ├── xxxxx
│ └── xxxxx
│
├── stopwords # 停用词
│ └── hit_stopwords.txt # https://github.com/goto456/stopwords
│
├── word2vec
│ ├── sgns.weibo.bigram-char
│ │ └── sgns.weibo.bigram-char # https://github.com/Embedding/Chinese-Word-Vectors
│ ├── gensim_word2vec.ipynb
│ └── xxxx
│
├── config.py
├── dataSet.py
├── main_load.ipynb
├── main_save.ipynb
├── model.py
├── README.md
└── tools.py- config.py 是配置文件
- dataSet.py 是数据预处理模块
- tools.py 是计算序列长度以及评价指标的函数工具
- model.py 是baseline模型
- main_load.ipynb 加载预训练模型进行结果预测
- main_save.ipynb 读取训练数据进行结果预测