快来看（情感分析报告的模板）情感分析简介，亲密关系，

情感分析是自然语言处理(NLP)中的一个常见应用，也是一个有趣的基础任务，特别是对于词的情感内容的分类。是对带有感情色彩的主观文字进行分析、加工、归纳、推理的过程。

本文将介绍情感分析中的情感极性(倾向)分析。所谓情感极性分析，是指对词语的积极、消极和中性判断。在大多数应用场景下，只分为两类。比如“喜欢”和“不喜欢”这两个词，就属于不同的情感倾向。

本文将详细介绍如何利用深度学习模型中的LSTM模型实现对词语的情感分析。

我们以某电商网站某商品的评论为语料库(corpus.csv)，这个数据集的下载地址是:https://github .

com/renjunxiang/text-classification/blob/master/text classification/data/data _ single . CSV，这个数据集有4310条评论，文字的感受可以分为两类。

评估，标签

用了一段时间，感觉不错，还行，积极向上。

电视很好。已经是家里第二个了。第一天下单，第二天就到了，但是物流的人说车坏了，一直催。客服也帮忙催了，第三天下午5点才送到。等父母老了，买个画面清晰的大电视，趁着耳朵还能用，好好享受几年。，前面

电视比预想的大很多，画面也很清晰，系统很智能，更多的功能还在探索中。

不错，正面

用了这么多天，感觉还不错。夏普的品牌还是比较靠谱的。希望以后更耐用。现在是考虑质量的时候了。，前面

物流速度很快很棒。今天看了电视，非常清晰流畅。这是一个完美的购物体验，积极的。

很好，客服还特意打电话回访，正面。

后勤哥不错，努力，东西没用，积极

发货速度快，质量有保障，活动价格相当不错。我希望它能持续很长时间，没有任何问题。，前面

然后我们需要对语料库做一个简单的分析:

数据集中的情感分布；

数据集中评论句的长度分布。

使用下面的Python指令代码，我们可以统计数据集中的情感分布和评论句的长度分布。

输出结果如下:

如你所见，积极情绪和消极情绪的比例差不多。句子长度和出现频率的统计图如下:

用LSTM分析文本情感的自然语言处理导论(十)

句子长度的累积分布函数图如下:

用LSTM分析文本情感的自然语言处理导论(十)

可以看出，大部分样本的句子长度集中在1到200之间，句子长度的累计频率为0.91分位数，因此长度约为183。

然后我们使用深度学习中的LSTM模型对上述数据集做情感分析。作者实现的模型框架如下:

用LSTM分析文本情感的自然语言处理导论(十)

完整的Python代码如下:

对上述模型进行了5次训练，训练集与测试集之比为9:1。输出结果如下:

可以看出，该模型在训练集的准确率在95%以上，在测试集的准确率在90%以上，效果相当不错。

然后，我们使用新训练的模型来测试新数据。作者对上述样本的评论进行随机变换，然后预测其情感倾向。情绪预测的Python代码如下:

输出结果如下:

让我们试着测试一些其他的评论:

当然，模型不会对所有的商品评论都有很好的效果，还是要针对特定的语料库进行训练和预测。

本文主要介绍了LSTM模型在文本情感分析中的应用。该项目已经上传到Github的。

注:下面来了解一下作者的微信微信官方账号:Python爬虫与算法(微信号:easy _ web _ scrap)，欢迎大家关注~

Python机器学习——NLP情感分析；

数据集来源:https://github .

com/renjunxiang/text-classification/blob/master/text classification/data/data _ single . CSV。

本文链接：https://51aizhidao.cn/post/3118.html