任务描述：基于机器学习方法实现电影评论文本的情感分类。最终机器 能够从大规模标注文本中获得经验，判定某一指定文本的情感极性：正面/负面
数据集：数据集已经切分为训练集和测试集，其中训练集 25000 条，测 试集 25000 条；训练集和测试集中正面（positive）评价和负面（negtive）评价各占一半。 目录结构如下：训练集和测试集分别位于 train 和 test 两个目录，每个目 录下均有 pos 和 neg 两个子目录，分别代表正面评价的文本和负面评价的文本；每一个训练样例一个文件，文本命名方式为：id_rating.txt，其 中 id 为样例唯一 id，rating 为该文本的情感极性评分，正面评价为 7-10 分，负面评价为 0-4 分； 例如：[test/pos/200_8.txt]，表示测试集中 id 为 200、评分为 8 的正面评 价实例（正例）
这个项目是机器学习课程的期末设计，设计思路如下：
-
首先，对数据进行了初步的处理（data_prep.py）;
-
使用相同的参数,对比初步处理的数据在三个预训练模型上的效果： （1）bert-large-cased （2）xlnet-large-cased （3）roberta-large 其中，roberta-large表现最佳。
-
进一步对数据进行不同的处理，对比不同处理下的数据在roberta上的效果。
-
最终得到的最佳模型在测试集上的准确率为96.3%。