写这篇文章的初衷：
最近带一个本科生做毕设，毕设内容是用lstm做情感分析。文章思路其实就是一个文本三分类的问题（正、中、负）。
首先：
该文章用到了word embedding，可以使用gensim里面的word2vec工具训练word embedding。训练出来的词向量是一个固定维度的向量。而训练的过程是使用word2vec里面的两个模型（CBOW或skip-gram）进行训练的。我们可以将这模型的原理是Huffman树。但是，今天我找到一个更加通俗、更加易于理解的解释：
word embedding：http://blog.sina.com.cn/s/blog_1450ac3c60102x79x.html
训练好的词向量模型被保存下来，该模型的本质就是一个m*n的矩阵，m代表训练语料中词的个数，n代表训练时我们设定的词向量维度。当我们训练好模型后再次调用时，就可以从该模型中直接获取到对应词的词向量。这种表示方法相比one-hot编码不知要好了多少倍，原因是one-hot编码是一个基于统计的编码方式，不触及到文本的语义层面。
其次：
通过上面我们可以拿到每个词的词向量，但是我们任务处理时一般是对句子或文本进行操作（如文本分类、情感分析等等），那下一步该怎么办呢？好，别着急，看下图：https://github.com/Babyzpj/NLP/tree/master/SentimentAnalysis-master
通过该图我们知道，当我们拿到一个词向量后，那么一个句子或一个文本就可以用词表示成矩阵（假设一个句子有5个词，词向量维度是64，那么该矩阵就是5*64）,然后可以用CNN或RNN（LSTM）模型将该矩阵编码成一个一维向量，并保留大多数文本信息。然后将该向量作为深度神经网络分类器的输入，即可得到最终的结果:
image.png
这个过程是一个关键过程，这里给出两个参考文献，以方便理解：https://yq.aliyun.com/articles/221681
http://blog.sina.com.cn/s/blog_1450ac3c60102x79x.html
最后：
下面给出使用keras将文本向量矩阵进行一维化的例子:
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers.embeddings import Embedding
# define documents
docs = ['Well done!',
'Good work',
'Great effort',
'nice work',
'Excellent!',
'Weak',
'Poor effort!',
'not good',
'poor work',
'Could have done better.']
# define class labels
labels = [1,1,1,1,1,0,0,0,0,0]
# integer encode the documents
vocab_size = 50
encoded_docs = [one_hot(d, vocab_size) for d in docs]
print(encoded_docs)
# pad documents to a max length of 4 words
max_length = 4
padded_docs = pad_sequences(encoded_docs, maxlen=max_length, padding='post')
print(padded_docs)
# define the model
model = Sequential()
model.add(Embedding(vocab_size, 8, input_length=max_length))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
# compile the model
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['acc'])
# summarize the model
print(model.summary())
# fit the model
model.fit(padded_docs, labels, epochs=50, verbose=0)
# evaluate the model
loss, accuracy = model.evaluate(padded_docs, labels, verbose=0)
print('Accuracy: %f' % (accuracy*100))
以下为实验结果：
[[33, 37], [18, 16], [31, 24], [33, 16], [5], [11], [34, 24], [11, 18], [34, 16], [48, 38, 37, 7]]
[[33 37 0 0]
[18 16 0 0]
[31 24 0 0]
[33 16 0 0]
[ 5 0 0 0]
[11 0 0 0]
[34 24 0 0]
[11 18 0 0]
[34 16 0 0]
[48 38 37 7]]
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embedding_1 (Embedding) (None, 4, 8) 400
_________________________________________________________________
flatten_1 (Flatten) (None, 32) 0
_________________________________________________________________
dense_1 (Dense) (None, 1) 33
=================================================================
Total params: 433
Trainable params: 433
Non-trainable params: 0
_________________________________________________________________
None
Accuracy: 89.999998
Process finished with exit code 0
参考：
1、http://blog.sina.com.cn/s/blog_1450ac3c60102x79x.html
2、https://machinelearningmastery.com/use-word-embedding-layers-deep-learning-keras/
3、http://keras-cn.readthedocs.io/en/latest/layers/embedding_layer/
网友评论