共计 4646 个字符，预计需要花费 12 分钟才能阅读完成。
情感倾向分析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。情感类型分为积极、消极、中性。情感倾向分析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，为企业提供有力的决策支持。上一次的 介绍 中我们讲解了情感分析的作用以及应用场景，技术难点以及百度 Senta 系统对这些问题的解决方法以及核心技术。本次的介绍我们则侧重于实践，即利用百度深度学习框架 PaddlePaddle Fluid, 实战 Senta 系统。Senta 是百度开源的情感分析 (Sentiment Analysis) 系统，项目的 github 地址是 (https://github.com/baidu/Senta)，Senta 也为百度 AI 开放平台 (http://ai.baidu.com/tech/nlp/… 提供了情感倾向分析模块，供用户直接使用。此次我们将讲解如何本地构建 Senta, 利用 PaddlePaddle Fluid 深度学习框架来实现情感分析模型的训练和部署。实验环境准备：安装 PaddlePaddle Fluid 运行本目录下的程序示例需要使用 PaddlePaddle Fluid v1.1/1.2 版本。使用 pip 安装最新稳定版
Linux CPU
pip install paddlepaddle
Linux GPU cuda9cudnn7
pip install paddlepaddle-gpu
Linux GPU cuda8cudnn7
pip install paddlepaddle-gpu==1.1.0.post87
Linux GPU cuda8cudnn5
pip install paddlepaddle-gpu==1.1.0.post85 更详细的 whl 包列表也可以参见 whl 包列表. 源码编译安装如果需要安装最新的开发版，请按照安装文档 中的说明更新 PaddlePaddle Fluid 版本。Senta 代码结构 Senta 项目的代码结构以及简介如下，本文重点介绍如何利用 Fluid Python API 完成模型的构建和训练，关于如何利用 Fluid C-API 进行模型的在线部署，可以参考该项目的说明文档。Senta├── C-API/ # 模型预测 C -API 接口├── data/ # 数据集│ ├── test_data/│ │ └── corpus.test│ ├── train_data/│ │ └── corpus.train│ └── train.vocab├── eval.sh # 模型评价脚本├── infer.sh # 模型预测脚本├── nets.py # 本例中涉及的各种网络结构均定义在此文件中，│ # 若进一步修改模型结构，请查看此文件├── README.md # 说明文档├── sentiment_classify.py # 情感倾向分析主函数，包括训练、预估、预测 │ # 部分├── train.sh # 模型训练脚本└── utils.py # 定义通用的函数，例如加载词典，读入数据等模型概览 nets.py 中包含以下几个模型：• bow_net：Bow(Bag Of Words) 模型，是一个非序列模型。使用基本的全连接结构。• cnn_net：浅层 CNN 模型，是一个基础的序列模型，能够处理变长的序列输入，提取一个局部区域之内的特征。• gru_net：单层 GRU 模型，序列模型，能够较好地解序列文本中长距离依赖的问题。• lstm_net：单层 LSTM 模型，序列模型，能够较好地解决序列文本中长距离依赖的问题。• bilstm_net：双向单层 LSTM 模型，序列模型，通过采用双向 lstm 结构，更好地捕获句子中的语义特征。百度 AI 平台上情感倾向分析模块采用此模型进行训练和预测。
数据准备数据格式训练数据格式是制表符分隔值 (tsv) 的格式，每一行代表一条训练数据，以制表符作为分割符分为两个字段。第一个字段是情感倾向，取值为 0 或 1，分别代表消极和积极情感倾向；第二个字段是文本的内容。文本已经经过分词处理，词与词之间用空格分隔。示例训练样本如下：0 方向盘 向 左 稍 有 偏斜 – – – – 上 四轮 定位 调整 两次 OK。价格 80 元，4S 要 300 多元，立马 和 他 说 0 人 非常 多，团购 的 平日 票，本来 以为 人 会 少 点，没想到 人山人海。有些 项目 小孩 不能 玩，小孩 对 造浪池 比较 感兴趣，其它 真 没 什么可 玩 的。0 环境 口味 我 都 很满意，可是 那 服务态度 还 真 不能 让 人 恭维！生意 好 也 不能 降低 服务态度！味道 再 美味 我 消费 的 时候 还要 受气 的 话 我 也 不会 再 去 消费 了！1 国耻，不忘 历史。
测试数据以同样的方式进行分隔，但在情感类别标签方面和训练数据有一些差别。测试数据中情感倾向共有三类，取值为 0, 1, 2, 分别代表消极，中性，积极。在模型的预测阶段，我们利用模型输出样例为积极和消极的概率，如果用于二分类，只要积极的概率比消极的概率高，就归入积极；而如果用于三分类，则在中间加入了中性，分类的依据是，样例为积极的概率小于 45% 则为消极，大于 55% 则为积极，介于二者之间则为中性，用户也可以根据需要调整中型情感的概率阈值。示例测试样本如下所示：
2 空间 是 可以 了，后面 坐 三个 170 斤 的 人 也 不 嫌 挤，但 矮 了 点，后备箱 给力 1 满分 是 10 分 的 话，性价比 给 8.5 分 吧！综合 油耗 偏高，如果 开市区 的 就 不太 合算 了。0 后排 中间 的 突起 太 高，中间 坐 人 不好 放 脚。1 一般，家用 还 可以。训练数据词典构建因为深度学习模型的需要，需要把每一个词对应地转化为一个整数，为此要根据训练数据构建一个词典。而且还可以根据词典对词典的大小进行限制。这里使用的词典文件格式非常简单，每行代表词典中的一个词。以下是词典的示例：喜欢特脏兮兮 … 注：我们在 data 目录下，提供了示例词典数据，详见 data/train.vocab. 关于词典构建的功能，参见 utils.py 中的 prepare_data(data_path, word_dict_path, batch_size, mode) 函数，词典加载的功能，参见 utils.py 中的 load_vocab(file_path) 函数。使用自定义数据因为实际使用的数据比较大，github 项目中仅自带了一份小的示例数据，如果需要使用自定义的数据，将训练和测试需要用的语料处理成符合上述要求的格式，存放为 data/train_data/corpus.train 和 data/test_data/corpus.test 即可。模型训练与预测模型的训练，评价和预测都集成在 sentiment_classify.py 文件里，默认使用的模型是 bilstm_net 双向 LSTM 模型。默认使用 cpu 进行模型训练，但还可以支持使用 gpu，通过 –use_gpu True 打开。另外，训练还支持并行，通过 –is_parallel 参数设置。具体支持的参数可以通过 python sentisentiment_classify.py –help 查看。模型训练 python sentiment_classify.py \
–train_data_path ./data/train_data/corpus.train \ # 训练数据路径
–word_dict_path ./data/train.vocab \ # 词典路径
–mode train \ # train 模式
–model_path ./models # 模型保存路径
使用 GPU 的训练脚本 export CUDA_VISIBLE_DEVICES=0,1 # 指定可用的 GPU 序号 python sentiment_classify.py \
–train_data_path ./data/train_data/corpus.train \ # 训练数据路径
–word_dict_path ./data/train.vocab \ # 词典路径
–mode train \ # train 模式
–model_path ./models # 模型保存路径
–use_gpu True # 使用 GPU 训练模型
–is_parallel True # 使用并行
执行后可以看到如下的输出：一共对训练语料进行了 10 次迭代，并且输出了在测试数据集上的准确率和平均 cost.
也可以直接使用目录下的 train.sh 根据需要进行修改。模型评价 python sentiment_classify.py \
–test_data_path ./data/test_data/corpus.test \ # 测试数据路径
–word_dict_path ./data/train.vocab \ # 词典路径
–mode eval \ # eval 模式
–model_path ./models/epoch9/ # 预测模型路径
可以看到类似如下的输出 [test info] model_path: ./models/epoch9/, class2_acc: 0.828402, class3_acc: 0.710000 说明模型能够完成情感分类任务，只是因为示例数据集太小，过拟合比较明显，在训练数据集上准确率可以达到 99.9%, 而测试数据集上的二分类准确率只有 82.8%. 用户可以通过使用自定义的更大的数据集，以及调整模型超参数以获得更好的效果。模型预测 python sentiment_classify.py \
–test_data_path ./data/test_data/corpus.test \ # 测试数据路径
–word_dict_path ./data/train.vocab \ # 词典路径
–mode infer \ # infer 模式
–model_path ./models/epoch9/ # 预测模型路径
即可执行预测，可以得到类似如下的输出 predict label: 0, pos_prob: 0.004343, neg_prob: 0.995657predict label: 2, pos_prob: 0.798888, neg_prob: 0.201112predict label: 0, pos_prob: 0.000564, neg_prob: 0.999436predict label: 0, pos_prob: 0.024923, neg_prob: 0.975077predict label: 2, pos_prob: 0.999526, neg_prob: 0.000474predict label: 2, pos_prob: 0.994914, neg_prob: 0.005086predict label: 0, pos_prob: 0.065424, neg_prob: 0.934576predict label: 0, pos_prob: 0.000119, neg_prob: 0.999881predict label: 0, pos_prob: 0.000709, neg_prob: 0.999291predict label: 2, pos_prob: 0.986198, neg_prob: 0.013802……. 可以观察模型对于每一个样例的预测结果和详细情况。扩展：处理未经加工的原始语料上述的实验中，使用的训练和测试语料都已经经过分词处理，并且都被人工标了情感极性标签，用于训练和评价模型的能力，但是在实际应用中，面对的语料都是生语料，比如线上商品的评价信息，并没有经过分词之类的处理。这种情况下需要预先对语料进行加工处理，百度也开源了词法分析提供工具 LAC。在本工程目录的 C-API 目录下，就有调用 LAC 进行分词并且结合上述模型完成情感分析所需的文件，将分词处理和情感分析集成在一起。具体的使用方法，可以进一步参考 Senta 项目的 说明文档, 以及 LAC 项目的 说明文档.
