PaddleHub教程合集—（2）PaddleHub预训练模型Senta完成情感分析
Senta—情感倾向分析（Sentiment Classification）;针对带有主观描述的中文文本，可 自动判断该文本的情感极性类别并给出相应的置信度，能够 帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。
一、定义待预测数据
在aistudio运行直接以下语句； 如果在本地运行该项目示例，需要首先安装PaddleHub。
!pip install paddlehub==1.6.2 -i https://pypi.tuna.tsinghua.edu.cn/simple
项目具体代码
test_text = ["这家餐厅很好吃", "这部电影真的很差劲"]
with open("test.txt", 'r') as f:
test_text = []
for line in f:
test_text.append(line.strip())
print(test_text)
数据准备完成，运行结果
[‘这家餐厅很好吃’, ‘这部电影真的很差劲’]
二、加载预训练模型+三、预测
Senta开源了一系列，供用户选择：
BOW（Bag Of Words）模型，是一个非序列模型，使用基本的全连接结构；关于该模型更多介绍， 查看PaddleHub官网介绍
CNN（Convolutional Neural Networks），是一个基础的序列模型，能处理变长序列输入，提取局部区域之内的特征；关于该模型更多介绍， 查看PaddleHub官网介绍
GRU（Gated Recurrent Unit），序列模型，能够较好地解决序列文本中长距离依赖的问题；关于该模型更多介绍， 查看PaddleHub官网介绍
LSTM（Long Short Term Memory），序列模型，能够较好地解决序列文本中长距离依赖的问题；关于该模型更多介绍， 查看PaddleHub官网介绍
Bi-LSTM（Bidirectional Long Short Term Memory），序列模型，采用双向LSTM结构，更好地捕获句子中的语义特征；关于该模型更多介绍， 查看PaddleHub官网介绍
import paddlehub as hub
senta = hub.Module(name="senta_bilstm")
input_dict = {"text": test_text}
results = senta.sentiment_classify(data=input_dict)
for result in results:
print(result)
运行结果
{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9407, ‘negative_probs’: 0.0593}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.02, ‘negative_probs’: 0.98}
四、总结
Senta—情感倾向分析（Sentiment Classification）
- 导包paddlehub
- 调paddlehub . Module(name=”senta_bilstm”)
换模型直接改name
模型名 PaddleHub Module BOW hub.Module(name=’ senta_bow‘)
{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9782, ‘negative_probs’: 0.0218}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.0124, ‘negative_probs’: 0.9876}
CNN hub.Module(name=’ senta_cnn‘)
{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.7902, ‘negative_probs’: 0.2098}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.0343, ‘negative_probs’: 0.9657}
GRU hub.Module(name=’ senta_gru‘)
{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9607, ‘negative_probs’: 0.0393}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.0187, ‘negative_probs’: 0.9813}
LSTM hub.Module(name=’ senta_lstm‘)
{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9285, ‘negative_probs’: 0.0715}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.0187, ‘negative_probs’: 0.9813}
- 将列表换成 字典格式input_dict = {“text”: test_text}
- 得结果results = senta.sentiment_classify(data=input_dict)
Original: https://blog.csdn.net/weixin_44554401/article/details/121400482
Author: -KWOK-
Title: PaddleHub教程合集—（2）PaddleHub预训练模型Senta完成情感分析
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/700226/
转载文章受原作者版权保护。转载请注明原作者出处！