毕设 酒店评价的情感倾向分析

概述

本文基于7K条携程酒店评价数据为文本数据，将其导入到Keras的模型架构然后进行训练出一个可用于实际场所预测情感的模型。

项目所需模块

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
 # 导入jieba分词库
import jieba 
import re

数据

数据说明

7000多条携程酒店评论数据，5000多条正向评论，2000多条负向评论。

字段说明

• 评论数目（总体）：7766
• 评论数目（正向）：5322
• 评论数目（负向）：2444

数据处理

# 读取数据
data = pd.read_csv("/home/kesci/input/labelreview5456/ChnSentiCorp_htl_all.csv")
# 查看数据的前5项
data.head()

分词处理

# 去除标点符号和数字
# 要去除标点符号和数字，常用的办法就是使用正则表达式来处理，或者自行编写遍历替换函数

# 模式串
patten = r"[!\"#$%&'()*+,-./:;<=>?@[\\\]^_`{|}~—！，。？·￥、《》···【】：" "''\s0-9]+"  
re_obj = re.compile(patten)

# 替换函数--去除标点符号和数字
def clear(text):
    return re_obj.sub('', text)

# 将正则表达式替换函数应用于每一行
data["review"] = data["review"].apply(clear)
# 查看前5行替换结果

data["review"][:5]

采用精简处理，启用HMM(隐式马尔科夫网络)处理

def cut_words(words):
    return jieba.lcut(words) # 使用lcut分词

#apply函数对series的每一行数据进行处理
data["review"] = data["review"].apply(cut_words)
data["review"][:5]

停用词处理

# 使用 中文停用词表 
stop_words = "/home/kesci/work/stopwords-master/stopwords.txt"
stop_list = [
    i.strip() for i in open(stop_words, encoding='utf-8').readlines()
]  #读取停用词列表


def remove_stop(words):  #移除停用词函数
    texts = []

    for word in words:  # 遍历词列表里的每一个词
        if word not in stop_list:  # 若不在停用词列表中就将结果追加至texts列表中
            texts.append(word)

    return texts


data['review'] = data['review'].apply(remove_stop)
# 查看前5行
data["review"][:5]

样本均衡

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('正负样本的个数')
plt.show()

从柱状图可以看出，该数据集共7766条数据，其中正样本(label = 1)共有5322条，负样本(label = 0)共有2444条，没有重复数据

显然样本存在严重的不均衡问题，这里考虑两种样本均衡的策略
（1）欠采样，正负样本各2000条，一共4000条
（2）过采样，正负样本各3000条，一共6000条

为减少计算量和对比两种均衡策略的效果，这里采用先把整体数据进行处理，再做样本均衡采样

def get_balanced_words(size,
                       positive_comment=data[data['label'] == 1],
                       negtive_comment=data[data['label'] == 0]):
    word_size = size // 2
    #获取正负评论数
    num_pos = positive_comment.shape[0]
    num_neg = negtive_comment.shape[0]
    #     当 正(负)品论数中<采样数量/2 时，进行上采样，否则都是下采样；
    #     其中pandas的sample方法里的repalce参数代表是否进行上采样，默认不进行
    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)
    ])
    #     打印样本个数
    print('样本总数：', balanced_words.shape[0])
    print('正样本数：', balanced_words[data['label'] == 1].shape[0])
    print('负样本数：', balanced_words[data['label'] == 0].shape[0])
    print('')
    return balanced_words

建立多层感知机分类模型

可以看到共有四层：平坦层共有1600个神经元，平坦层在这里可以看作为输入层。隐藏层共有256个神经；输出层只有1个神经元。全部必须训练的超参数有474113个，通常超参数数值越大，代表此模型越复杂，需要更多时间进行训练。

训练模型

网络检测率以及检测结果

input_text = """
去之前会有担心，因为疫情，专门打了电话给前台，前台小哥哥好评，耐心回答，打消了我的顾虑，nice!! 
看得出有做好防疫情清洁消毒工作，前台登记反复询问，确保出行轨迹安全，体温测量登记，入住好评，选了主题房，设计是我喜欢的.
总之下次有需要还是会自住或推荐!!
"""

predict_review(input_text)

result ： 正面评价！

至此，对携程酒店评价的情感倾向分析，以建立一个简单的多层感知器模型结束，由于文章所限，后续的模型优化以及与其他深度学习的模型的比较就不进行简述，有兴趣的同学可以留意学长后续文章。谢谢各位同学！

最后