传统模型——基于情感词典

• 输入句子，预处理
• 文本分词
• 训练情感词典（积极消极词汇、否定词、程度副词等）
• 判断规则（算法模型）
• 情感分类

文本预处理

使用正则表达式，过滤掉我们不需要的信息（如 Html 标签等）

句子自动分词

• jieba 中文分词
• HanLp 中文分词
• 中科院分词
• ...

载入情感词典

• 积极情感词典
• 消极情感词典
• 否定词典
• 程度副词词典

文本情感分类

• 每个积极情感词语赋予权重 1
• 每个消极情感词语赋予权重 -1
• 否定词会导致权值反号
• 程度副词则让权值加倍
• 最后，根据总权值的正负性来判断句子的情感

优化点

• 考虑句子的类型（祈使句、疑问句等）
• 每个词语（考虑主语、谓语、宾语等）
• 情感词典的自动扩充（无监督式的词频统计）
  通过已有的模型对评论数据进行情感分类，然后在同一类情感（积极或消极）的评论集合中统计各个词语的出现频率，最后将积极、消极评论集的各个词语的词频进行对比。某个词语在积极评论集中的词频相当低，在消极评论集中的词频相当高，那么我们就有把握将该词语添加到消极情感词典中，或者说，赋予该词语负的权值。

深度学习模型

标准模型

• 标注语料的收集
• 模型阈值选取问题
• word2vec 将词语转换为向量
• CNN、RNN、LSTM 等网络模型，特征抽取句子向量

算法步骤

• 分词
• 词向量
• 句向量(LSTM)
• 分类

分词 OR 不分词

“端到端”的模型：能够直接将原始数据和标签输入，然后让模型自己完成一切过程——包括特征的提取、模型的学习。

• one hot：以字为单位，不分词，将每个句子截断为200字（不够则补空字符串），然后将句子以“字-one hot”的矩阵形式输入到LSTM模型中进行学习分类
• one embedding：以字为单位，不分词，，将每个句子截断为200字（不够则补空字符串），然后将句子以“字-字向量(embedding)“的矩阵形式输入到LSTM模型中进行学习分类
• word embedding：以词为单位，分词，，将每个句子截断为100词（不够则补空字符串），然后将句子以“词-词向量(embedding)”的矩阵形式输入到LSTM模型中进行学习分类

更好的更新方案

设定一个阈值为0.6，那么模型对某个正样本的输出大于0.6，我就不根据这个样本来更新模型了，模型对某个负样本的输出小于0.4，我也不根据这个样本来更新模型了，只有在0.4~0.6之间的，才让模型更新，这时候模型会更“集中精力”去关心那些“模凌两可”的样本，从而使得分类效果更好

修正的交叉熵损失