一、传统机器学习与深度学习

1、传统机器学习方法

tf-idf
Topic Model（LDA）
SMT
...

2、深度学习

CNN
- TextCNN
- FastText+TextCNN
- CNN+RNN
- ...
RNN
- TextRNN
- RNN+CNN
- LSTM/GRU+RCNN
- Seq2Seq+Attention
- ...

二、模型（基于 Keras）

1、TextCNN

句子 maxlen 的确定（一般选定为语料中最大长度或平均长度为佳）
卷积核大小（2/3/4/5）

TextCNN 网络结构.png

def text_cnn(maxlen=15, max_features=10000, embed_size=300):

    # input layers
    comment_seq = Input(shape=[maxlen], name='x_seq')
    # Embeddings layers
    emb_comment = Embedding(max_features, embed_size)(comment_seq)
    # conv layers
    convs = []
    filter_sizes = [2, 3, 4, 5]
    for fsz in filter_sizes:
        l_conv = Conv1D(filters=100, kernel_size=fsz, activation='relu')(emb_comment)
        l_pool = MaxPooling1D(maxlen - fsz + 1)(l_conv)
        l_pool = Flatten()(l_pool)
        convs.append(l_pool)
    merge = concatenate(convs, axis=1)
    # out = Dropout(0.1)(merge)
    output = Dense(64, activation='relu')(merge)
    output = Dense(units=1, activation='sigmoid')(output)

    model = Model([comment_seq], output)
    model.compile(loss="binary_crossentropy", optimizer=optimizers.RMSprop(lr=1e-4), metrics=['acc'])
    return model

2、TextRNN

循环神经网络弥补卷积神经网络中卷积核大小固定，导致了卷积神经网络无法抽取到与当前词距离更长的词信息表达。经验表明，循环神经网络更适于自然语言处理问题，能够更好表达文本或语句上下文信息。

TextRNN 网络结构图.png

输入词向量的最后一维对应的输出直接作为预测分类的基准，这样设计的好处 节省训练时间，同时也因为通过 LSTM 编码的最后一层的隐藏层输出已经携带了前后所有序列的信息表达，因此效果尚佳。

3、CRNN

CRNN 模型是基于 CNN 和 RNN 的拼接式神经网络，其中 CNN 主要用于文本特征抽取，RNN 主要用于后续基于全局序列的情感分类。

CRNN 结构图.png

def text_c_lstm(num_labels=1,maxlen=15, max_features=10000, embed_size=300):
    model=Sequential()
    model.add(Embedding(max_features, embed_size, input_length=maxlen))
    model.add(Conv1D(256, 3, padding='same', strides=1))
    model.add(Activation('relu'))
    model.add(MaxPooling1D(pool_size=2))
    model.add(GRU(32, dropout=0.2, recurrent_dropout=0.1, return_sequences=True))
    model.add(GRU(32, dropout=0.2, recurrent_dropout=0.1))
    model.add(Dense(num_labels,activation='sigmoid'))
    model.compile(loss="binary_crossentropy", optimizer=optimizers.RMSprop(lr=1e-4), metrics=['acc'])
    return model

CRNN 结构与编码器-解码器（Encoder-Decoder）结构非常相似，用 CNN 的卷积 + relu + 池化操作作为编码器，其输出作为解码器 LSTM 的输入，最终仍然经过 Softmax 得出最终概率值。

三、模型优化与思考

训练时间方面，标准化基于正态分布的平移和拉伸，其变换的目的在于把每个值向后续要进行的非线性变化区域靠近，从而使所有梯度值的计算不至于停留在饱和区域（梯度值接近于 0 ），进而加快模型训练和收敛速度。
泛化能力方面，考虑训练样本的正负比例，及其样本的多样性以及正负样本间打乱的程度

四、个性化辅导

如果需要辅导，请加 QQ： 690120556
如果需要辅导，请加 QQ： 690120556
如果需要辅导，请加 QQ： 690120556

四、参考资料

《美团机器学习实践——评论挖掘》
《A C-LSTM Neural Network for Text Classification》
《Convolutional Neural Networks for Sentence Classification》

基于深度学习的情感分析