【资源】Python实现多种模型(Naive Bayes, SVM, CNN, LSTM, etc)用于推文情感分析

【导读】近日，Abdul Fatir 在自己的CS5228课程报告使用不同的方法进行Tweets情感分析（作为二分类问题），并对这些方法的性能进行比较，主要是基于Python实现多种模型(Naive Bayes, SVM, CNN, LSTM, etc)用于推文情感分析，已于Github开源。

推文情感分析（Sentiment Analysis on Tweets）

• 数据集

我们使用不同的方法进行Tweets情感分析（作为二分类问题），并对这些方法的性能进行比较。训练集使用csv类型的文件，格式tweet_id, sentiment,tweet，其中tweet_id正整数，sentiment是情感极性：1（积极情感）或0（消极情感），tweet是推文信息是引号包含的内容。测试集也是一个csv文件，格式是：tweet_id, tweet。

• 环境要求

有些库是几种方法都需要的通用的库，有些库则是个别方法的特殊的需求

通用的库：

• numpy
• scikit-learn
• scipy
• nltk

某些方法特有的库：

• keras with TensorFlow backend for Logistic Regression, MLP, RNN (LSTM), and CNN.
• xgboost for XGBoost.

注意：建议使用Python的Anaconda发行版。该项目的报告可以在docs /中找到。

▌用法

• 预处理：

1. 在训练和测试数据上运行preprocess.py <raw-csv-path>。然后就生成了数据集的预处理版本。

2. 运行stats.py <preprocessed-csv-path>（其中<preprocessed-csv-path>是用preprocess.py生成的csv所在路径）。它给出了数据集的一般统计信息，以及两个pickle文件，分别是训练集的unigrams和bigrams的分布。

经过上述步骤，应该共有四个文件：<preprocessed-train-csv>，<preprocessed-test-csv>，<freqdist>和<freqdist-bi>，分别是预处理的训练集、预处理的集、unigrams分布和bigrams分布。

对于后面的所有方法，将TRAIN_PROCESSED_FILE，TEST_PROCESSED_FILE，FREQ_DIST_FILE和BI_FREQ_DIST_FILE的值更改为各个文件己的路径。另外，可以更改USE_BIGRAMS和FEAT_TYPE的值，以使用不同方法获得结果。

• Baseline

运行baseline.py，使用TRAIN=True将显示训练集的准确率。

• 朴素贝叶斯（Naive Bayes）

运行naivebayes.py，使用TRAIN=True将显示在10%的验证数据集的准确率。

• 最大熵（Maximum Entropy）

执行logistic.py运行logistic回归模型或执行maxent-nltk.py <>运行NLTK的最大熵模型。令TRAIN = True时，将显示10％验证数据集的准确性。

• 决策树（Decision Tree）

运行decisiontree.py，令TRAIN = True时，将显示10％验证数据集的准确性结果。

• 随机森林（Random Forest）

运行randomforest.py，TRAIN = True时，将显示10％验证数据集的准确性。

• XGBoost

运行xgboost.py，TRAIN = True时，将显示10％验证数据集的准确性。

• SVM

运行svm.py，TRAIN = True时，将显示10％验证数据集的准确性。

• 多层感知机（Multi-Layer Perceptron）

运行neuralnet.py，TRAIN = True时，将显示10％验证数据集的准确性。

• 递归神经网络（Reccurent Neural Networks）

运行lstm.py，使用10％数据进行验证，并将每个epock时段的模型保存在./models/中。（在运行lstm.py之前，请确保此目录存在）。

• 卷积神经网络（Convolutional Neural Networks）

运行cnn.py，将运行报告中所述的4-Conv-NN（4个conv层神经网络）模型。如果要运行CNN的其他版本，只需注释或删除添加Conv对应的行。使用10％的数据进行验证，并在./models/中为每个epoch保存模型。（确保在运行cnn.py之前，此目录已经存在）。

• Majority Vote Ensemble

要提取训练集的倒数第二层特征，请运行extract-cnnfeat.py <saved-model>。这将生成3个文件：train-feats.npy，train-labels.txt和test-feats.npy。

运行cnn-feats-svm.py，可以使用上一步中的文件，并对CNN模型中提取的特征执行SVM分类。

将你想要预测的CSV文件放在./results/中，然后运行majority-voting.py。将生成majority-voting.csv。

• 其他文件的信息

• dataset/positive-words.txt: 积极情感词列表
• dataset/negative-words.txt: 消极情感词列表
• dataset/glove-seeds.txt: 用StanfordNLP训练的GloVe词向量，与我们的数据集中的词匹配，作为种子词嵌入
• Plots.ipynb: 使用notebook 来生产报告中的图 （https://github.com/abdulfatir/twitter-sentiment-analysis/blob/master/docs/report.pdf）

原文链接：https://github.com/abdulfatir/twitter-sentiment-analysis/blob/master/README.md

报告文档：https://github.com/abdulfatir/twitter-sentiment-analysis/blob/master/docs/report.pdf