如何用Python和机器学习训练中文文本情感分类模型？

利用Python机器学习框架scikit-learn，咱们本身作一个分类模型，对中文评论信息作情感分析。其中还会介绍中文停用词的处理方法。

疑惑

前些日子，我在微信后台收到了一则读者的留言。

我一会儿有些懵——这怎么还带点播了呢？

可是旋即我醒悟过来，好像是我本身以前挖了个坑。

以前我写过《 如何用Python从海量文本抽取主题？ 》一文，其中有这么一段：

为了演示的流畅，咱们这里忽略了许多细节。不少内容使用的是预置默认参数，并且彻底忽略了中文停用词设置环节，所以“这个”、“若是”、“可能”、“就是”这样的停用词才会大摇大摆地出如今结果中。不过没有关系，完成比完美重要得多。知道了问题所在，后面改进起来很容易。有机会我会写文章介绍如何加入中文停用词的去除环节。

根据“本身挖坑本身填”的法则，我决定把这一部分写出来。

我可使用偷懒的办法。

例如在原先的教程里，更新中文停用词处理部分，打个补丁。

可是，最近我发现，好像至今为止，咱们的教程历来没有介绍过如何用机器学习作情感分析。

你可能说，不对吧？

情感分析不是讲过了吗？老师你好像讲过《 如何用Python作情感分析？ 》，《 如何用Python作舆情时间序列可视化？ 》和《 如何用Python和R对《权力的游戏》故事情节作情绪分析？ 》。

你记得真清楚，提出表扬。

可是请注意，以前这几篇文章中，并无使用机器学习方法。咱们只不过调用了第三方提供的文本情感分析工具而已。

可是问题来了，这些第三方工具是在别的数据集上面训练出来的，未必适合你的应用场景。

例若有些情感分析工具更适合分析新闻，有的更善于处理微博数据……你拿过来，倒是要对店铺评论信息作分析。

这就如同你本身笔记本电脑里的网页浏览器，和图书馆电子阅览室的网页浏览器，可能类型、版本彻底同样。可是你用起本身的浏览器，就是比公用电脑上的舒服、高效——由于你已经根据偏好，对本身浏览器上的“书签”、“密码存储”、“稍后阅读”都作了个性化设置。

我们这篇文章，就给你讲讲如何利用Python和机器学习，本身训练模型，对中文评论数据作情感分类。

# 数据

个人一个学生，利用爬虫抓取了大众点评网站上的数万条餐厅评论数据。

这些数据在爬取时，包含了丰富的元数据类型。

我从中抽取了评论文本和评星（1-5星），用于本文的演示。

从这些数据里，咱们随机筛选评星为1，2，4，5的，各500条评论数据。一共2000条。

为何只甩下评星数量为3的没有选择？

你先思考10秒钟，而后往下看，核对答案。

答案是这样的：

由于咱们只但愿对情感作出（正和负）二元分类，4和5星能够看做正向情感，1和2是负向情感……3怎么算？

因此，为了不这种边界不清晰形成的混淆，我们只好把标为3星的内容丢弃掉了。

整理好以后的评论数据，以下图所示。

我已经把数据放到了演示文件夹压缩包里面。后文会给你提供下载路径。

模型

使用机器学习的时候，你会遇到模型的选择问题。

例如，许多模型均可以用来处理分类问题。逻辑回归、决策树、SVM、朴素贝叶斯……具体到我们的评论信息情感分类问题，该用哪种呢？

幸亏，Python上的机器学习工具包 scikit-learn 不只给咱们提供了方便的接口，供咱们调用，并且还很是贴心地帮咱们作了小抄（cheat-sheet）。

这张图看似密密麻麻，很是混乱，其实是一个很是好的迷宫指南。其中绿色的方框，是各类机器学习模型。而蓝色的圆圈，是你作判断的地方。

你看，我们要处理类别问题，对吧？

顺着往下看，会要求你判断数据是否有标记。咱们有啊。

继续往下走，数据小于100K吗？

考虑一下，咱们的数据有2000条，小于这个阈值。

接下来问是否是文本数据？是啊。

因而路径到了终点。

Scikit-learn告诉咱们：用朴素贝叶斯模型好了。

小抄都作得如此照顾用户需求，你对scikit-learn的品质应该有个预期了吧？若是你须要使用经典机器学习模型（你能够理解成深度学习以外的全部模型），我推荐你先尝试scikit-learn 。

向量化

《 如何用Python从海量文本抽取主题？ 》一文里，咱们讲过天然语言处理时的向量化。

忘了？

不要紧。

子曰：

学而时习之，不亦乐乎？

这里我们复习一下。

对天然语言文本作向量化（vectorization）的主要缘由，是计算机看不懂天然语言。

计算机，顾名思义，就是用来算数的。文本对于它（至少到今天）没有真正的意义。

可是天然语言的处理，是一个重要问题，也须要自动化的支持。所以人就得想办法，让机器能尽可能理解和表示人类的语言。

假如这里有两句话：

I love the game.

I hate the game.

那么咱们就能够简单粗暴地抽取出如下特征（其实就是把全部的单词都罗列一遍）：

• I
• love
• hate
• the
• game

对每一句话，都分别计算特征出现个数。因而上面两句话就转换为如下表格：

按照句子为单位，从左到右读数字，第一句表示为[1, 1, 0, 1, 1]，第二句就成了[1, 0, 1, 1, 1]。

这就叫向量化。

这个例子里面，特征的数量叫作维度。因而向量化以后的这两句话，都有5个维度。

你必定要记住，此时机器依然不能理解两句话的具体含义。可是它已经尽可能在用一种有意义的方式来表达它们。

注意这里咱们使用的，叫作“一袋子词”（bag of words）模型。

下面这张图（来自 ~https://goo.gl/2jJ9Kp~ ），形象化表示出这个模型的含义。

一袋子词模型不考虑词语的出现顺序，也不考虑词语和先后词语之间的链接。每一个词都被看成一个独立的特征来看待。

你可能会问：“这样不是很不精确吗？充分考虑顺序和上下文联系，不是更好吗？”

没错，你对文本的顺序、结构考虑得越周全，模型能够得到的信息就越多。

可是，凡事都有成本。只须要用基础的排列组合知识，你就能计算出独立考虑单词，和考虑连续n个词语（称做 n-gram），形成的模型维度差别了。

为了简单起见，我们这里仍是先用一袋子词吧。有空我再给你讲讲……

打住，不能再挖坑了。

中文

上一节我们介绍的，是天然语言向量化处理的通则。

处理中文的时候，要更加麻烦一些。

由于不一样于英文、法文等拉丁语系文字，中文自然没有空格做为词语之间的分割符号。

咱们要先将中文分割成空格链接的词语。

例如把：

“我喜欢这个游戏”

变成：

“我 喜欢 这个 游戏”

这样一来，就能够仿照英文句子的向量化，来作中文的向量化了。

你可能担忧计算机处理起中文的词语，跟处理英文词语有所不一样。

这种担忧不必。

由于我们前面讲过，计算机其实连英文单词也看不懂。

在它眼里，不论什么天然语言的词汇，都只是某种特定组合的字符串而已。 不论处理中文仍是英文，都须要处理的一种词汇，叫作停用词。

中文维基百科里，是这么定义停用词的：

在信息检索中，为节省存储空间和提升搜索效率，在处理天然语言数据（或文本）以前或以后会自动过滤掉某些字或词，这些字或词即被称为Stop Words(停用词)。

我们作的，不是信息检索，而已文本分类。

对我们来讲，你不打算拿它作特征的单词，就能够看成停用词。

仍是举刚才英文的例子，下面两句话：

I love the game.

I hate the game.

告诉我，哪些是停用词？

直觉会告诉你，定冠词 the 应该是。

没错，它是虚词，没有什么特殊意义。

它在哪儿出现，都是一个意思。

一段文字里，出现不少次定冠词都很正常。把它和那些包含信息更丰富的词汇（例如love, hate）放在一块儿统计，就容易干扰咱们把握文本的特征。

因此，我们把它看成停用词，从特征里面剔除出去。

触类旁通，你会发现分词后的中文语句：

“我 喜欢 这个 游戏”

其中的“这个”应该也是停用词吧？

答对了！

要处理停用词，怎么办呢？固然你能够一个个手工来寻找，可是那显然效率过低。

有的机构或者团队处理过许多停用词。他们会发现，某种语言里，停用词是有规律的。

他们把常见的停用词总结出来，聚集成表格。之后只须要查表格，作处理，就能够利用先前的经验和知识，提高效率，节约时间。

在scikit-learn中，英语停用词是自带的。只须要指定语言为英文，机器会帮助你自动处理它们。

可是中文……

scikit-learn开发团队里，大概缺乏足够多的中文使用者吧。

好消息是，你可使用第三方共享的停用词表。

这种停用词表到哪里下载呢？

我已经帮你找到了 一个 github 项目 ，里面包含了4种停用词表，来自哈工大、四川大学和百度等天然语言处理方面的权威单位。

这几个停用词表文件长度不一样，内容也差别很大。为了演示的方便与一致性，我们统一先用哈工大这个停用词表吧。

我已经将其一并存储到了演示目录压缩包中，供你下载。 # 环境 请你先到 这个网址 下载本教程配套的压缩包。

下载后解压，你会在生成的目录里面看到如下4个文件。

下文中，咱们会把这个目录称为“演示目录”。

请必定注意记好它的位置哦。

要装Python，最简便办法是安装Anaconda套装。

请到 这个网址 下载Anaconda的最新版本。

请选择左侧的 Python 3.6 版本下载安装。

若是你须要具体的步骤指导，或者想知道Windows平台如何安装并运行Anaconda命令，请参考我为你准备的 视频教程 。

打开终端，用cd命令进入演示目录。若是你不了解具体使用方法，也能够参考 视频教程 。 咱们须要使用许多软件包。若是每个都手动安装，会很是麻烦。

我帮你作了个虚拟环境的配置文件，叫作environment.yaml ，也放在演示目录中。

请你首先执行如下命令：

conda env create -f environment.yaml

这样，所需的软件包就一次性安装完毕了。

以后执行，

source activate datapy3

进入这个虚拟环境。

注意必定要执行下面这句：

python -m ipykernel install --user --name=datapy3

只有这样，当前的Python环境才会做为核心（kernel）在系统中注册。 确认你的电脑上已经安装了 Google Chrome 浏览器。若是没有安装请到这里 下载 安装。

以后，在演示目录中，咱们执行：

jupyter notebook

Google Chrome会开启，并启动 Jupyter 笔记本界面：

你能够直接点击文件列表中的demo.ipynb文件，能够看到本教程的所有示例代码。

你能够一边看教程的讲解，一边依次执行这些代码。

可是，我建议的方法，是回到主界面下，新建一个新的空白 Python 3 （显示名称为datapy3的那个）笔记本。

请跟着教程，一个个字符输入相应的内容。这能够帮助你更为深入地理解代码的含义，更高效地把技能内化。

准备工做结束，下面咱们开始正式输入代码。

代码

咱们读入数据框处理工具pandas。

import pandas as pd
复制代码

利用pandas的csv读取功能，把数据读入。

注意为了与Excel和系统环境设置的兼容性，该csv数据文件采用的编码为GB18030。这里须要显式指定，不然会报错。

df = pd.read_csv('data.csv', encoding='gb18030')
复制代码

咱们看看读入是否正确。

df.head()
复制代码

前5行内容以下：

看看数据框总体的形状是怎么样的：

df.shape
复制代码

(2000, 2)
复制代码

咱们的数据一共2000行，2列。完整读入。

咱们并不许备把情感分析的结果分红4个类别。咱们只打算分红正向和负向。

这里咱们用一个无名函数来把评星数量>3的，当成正向情感，取值为1；反之视做负向情感，取值为0。

def make_label(df):
    df["sentiment"] = df["star"].apply(lambda x: 1 if x>3 else 0)
复制代码

编制好函数以后，咱们实际运行在数据框上面。

make_label(df)
复制代码

看看结果：

df.head()
复制代码

从前5行看来，情感取值就是根据咱们设定的规则，从评星数量转化而来。

下面咱们把特征和标签拆开。

X = df[['comment']]
y = df.sentiment
复制代码

X 是咱们的所有特征。由于咱们只用文本判断情感，因此X实际上只有1列。

X.shape
复制代码

(2000, 1)
复制代码

而y是对应的标记数据。它也是只有1列。

y.shape
复制代码

(2000,)
复制代码

咱们来看看 X 的前几行数据。

X.head()
复制代码

注意这里评论数据仍是原始信息。词语没有进行拆分。

为了作特征向量化，下面咱们利用结巴分词工具来拆分句子为词语。

import jieba
复制代码

咱们创建一个辅助函数，把结巴分词的结果用空格链接。

这样分词后的结果就如同一个英文句子同样，单次之间依靠空格分割。

def chinese_word_cut(mytext):
    return " ".join(jieba.cut(mytext))
复制代码

有了这个函数，咱们就可使用 apply 命令，把每一行的评论数据都进行分词。

X['cutted_comment'] = X.comment.apply(chinese_word_cut)
复制代码

咱们看看分词后的效果：

X.cutted_comment[:5]
复制代码

单词和标点之间都用空格分割，符合咱们的要求。

下面就是机器学习的常规步骤了：咱们须要把数据分红训练集和测试集。

为何要拆分数据集合？

在《贷仍是不贷：如何用Python和机器学习帮你决策？》一文中，我已解释过，这里复习一下：

若是期末考试以前，老师给你一套试题和答案，你把它背了下来。而后考试的时候，只是从那套试题里面抽取一部分考。你凭借超人的记忆力得到了100分。请问你学会了这门课的知识了吗？不知道若是给你新的题目，你会不会作呢？答案仍是不知道。因此考试题目须要和复习题目有区别。

一样的道理，假设我们的模型只在某个数据集上训练，准确度很是高，可是历来没有见过其余新数据，那么它面对新数据表现如何呢？

你内心也没底吧？

因此咱们须要把数据集拆开，只在训练集上训练。保留测试集先不用，做为考试题，看模型通过训练后的分类效果。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)
复制代码

这里，咱们设定了 random_state 取值，这是为了在不一样环境中，保证随机数取值一致，以便验证我们模型的实际效果。

咱们看看此时的 X_train 数据集形状。

X_train.shape
复制代码

(1500, 2)
复制代码

可见，在默认模式下，train_test_split函数对训练集和测试集的划分比例为 3:1。

咱们检验一下其余3个集合看看：

y_train.shape
复制代码

(1500,)
复制代码

X_test.shape
复制代码

(500, 2)
复制代码

y_test.shape
复制代码

(500,)
复制代码

一样都正确无误。

下面咱们就要处理中文停用词了。

咱们编写一个函数，从中文停用词表里面，把停用词做为列表格式保存并返回：

def get_custom_stopwords(stop_words_file):
    with open(stop_words_file) as f:
        stopwords = f.read()
    stopwords_list = stopwords.split('\n')
    custom_stopwords_list = [i for i in stopwords_list]
    return custom_stopwords_list
复制代码

咱们指定使用的停用词表，为咱们已经下载保存好的哈工大停用词表文件。

stop_words_file = "stopwordsHIT.txt"
stopwords = get_custom_stopwords(stop_words_file)
复制代码

看看咱们的停用词列表的后10项：

stopwords[-10:]
复制代码

这些大部分都是语气助词，做为停用词去除掉，不会影响到语句的实质含义。

下面咱们就要尝试对分词后的中文语句作向量化了。

咱们读入CountVectorizer向量化工具，它依据词语出现频率转化向量。

from sklearn.feature_extraction.text import CountVectorizer
复制代码

咱们创建一个CountVectorizer()的实例，起名叫作vect。

注意这里为了说明停用词的做用。咱们先使用默认参数创建vect。

vect = CountVectorizer()
复制代码

而后咱们用向量化工具转换已经分词的训练集语句，而且将其转化为一个数据框，起名为term_matrix。

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())
复制代码

咱们看看term_matrix的前5行：

term_matrix.head()
复制代码

咱们注意到，特征词语五花八门，特别是不少数字都被看成特征放在了这里。

term_matrix的形状以下：

term_matrix.shape
复制代码

(1500, 7305)
复制代码

行数没错，列数就是特征个数，有7305个。

下面咱们测试一下，加上停用词去除功能，特征向量的转化结果会有什么变化。

vect = CountVectorizer(stop_words=frozenset(stopwords))
复制代码

下面的语句跟刚才同样：

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())
复制代码

term_matrix.head()
复制代码

能够看到，此时特征个数从刚才的7305个，下降为7144个。咱们没有调整任何其余的参数，所以减小的161个特征，就是出如今停用词表中的单词。

可是，这种停用词表的写法，依然会漏掉很多漏网之鱼。

首先就是前面那一堆显眼的数字。它们在此处做为特征毫无道理。若是没有单位，没有上下文，数字都是没有意义的。

所以咱们须要设定，数字不能做为特征。

在Python里面，咱们能够设定token_pattern来完成这个目标。

这一部分须要用到正则表达式的知识，咱们这里没法详细展开了。

但若是你只是须要去掉数字做为特征的话，按照我这样写，就能够了。

另外一个问题在于，咱们看到这个矩阵，其实是个很是稀疏的矩阵，其中大部分的取值都是0.

这没有关系，也很正常。

毕竟大部分评论语句当中只有几个到几十个词语而已。7000多的特征，单个语句显然是覆盖不过来的。

然而，有些词汇做为特征，就值得注意了。

首先是那些过于广泛的词汇。尽管咱们用了停用词表，可是不免有些词汇几乎出如今每一句评论里。什么叫作特征？特征就是能够把一个事物与其余事物区别开的属性。

假设让你描述今天见到的印象最深入的人。你怎么描述？

我看见他穿着小丑的衣服，在繁华的商业街踩高跷，一边走还一边抛球，和路人打招呼。

仍是……

我看见他有两只眼睛，一只鼻子。

后者绝对不算是好的特征描述，由于难以把你要描述的个体区分出来。

物极必反，那些过于特殊的词汇，其实也不该该保留。由于你了解了这个特征以后，对你的模型处理新的语句情感判断，几乎都用不上。

这就如同你跟着神仙学了屠龙之术，然而以后一生也没有见过龙……

因此，以下面两个代码段所示，咱们一共多设置了3层特征词汇过滤。

max_df = 0.8 # 在超过这一比例的文档中出现的关键词（过于平凡），去除掉。
min_df = 3 # 在低于这一数量的文档中出现的关键词（过于独特），去除掉。
复制代码

vect = CountVectorizer(max_df = max_df,
                       min_df = min_df,
                       token_pattern=u'(?u)\\b[^\\d\\W]\\w+\\b',
                       stop_words=frozenset(stopwords))
复制代码

这时候，再运行咱们以前的语句，看看效果。

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())
复制代码

term_matrix.head()
复制代码

能够看到，那些数字全都不见了。特征数量从单一词表法去除停用词以后的7144个，变成了1864个。

你可能会以为，太惋惜了吧？好容易分出来的词，就这么扔了？

要知道，特征多，毫不必定是好事儿。

尤为是噪声大量混入时，会显著影响你模型的效能。

好了，评论数据训练集已经特征向量化了。下面咱们要利用生成的特征矩阵来训练模型了。

咱们的分类模型，采用朴素贝叶斯（Multinomial naive bayes）。

from sklearn.naive_bayes import MultinomialNB
nb = MultinomialNB()
复制代码

注意咱们的数据处理流程是这样的：

1. 特征向量化；
2. 朴素贝叶斯分类。

若是每次修改一个参数，或者换用测试集，咱们都须要从新运行这么多的函数，确定是一件效率不高，且使人头疼的事儿。并且只要一复杂，出现错误的概率就会增长。

幸亏，Scikit-learn给咱们提供了一个功能，叫作管道(pipeline)，能够方便解决这个问题。

它能够帮助咱们，把这些顺序工做链接起来，隐藏其中的功能顺序关联，从外部一次调用，就能完成顺序定义的所有工做。

使用很简单，咱们就把 vect 和 nb 串联起来，叫作pipe。

from sklearn.pipeline import make_pipeline
pipe = make_pipeline(vect, nb)
复制代码

看看它都包含什么步骤：

pipe.steps
复制代码

看，咱们刚才作的工做，都在管道里面了。咱们能够把管道当成一个总体模型来调用。

下面一行语句，就能够把未经特征向量化的训练集内容输入，作交叉验证，算出模型分类准确率的均值。

from sklearn.cross_validation import cross_val_score
cross_val_score(pipe, X_train.cutted_comment, y_train, cv=5, scoring='accuracy').mean()
复制代码

我们的模型在训练中的准确率如何呢？

0.820687244673089
复制代码

这个结果，仍是不错的。

回忆一下，整体的正向和负向情感，各占了数据集的一半。

若是咱们创建一个“笨模型”（dummy model），即全部的评论，都当成正向（或者负向）情感，准确率多少？

对，50%。

目前的模型准确率，远远超出这个数值。超出的这30%多，其实就是评论信息为模型带来的肯定性。

可是，不要忘了，咱们不能光拿训练集来讲事儿，对吧？下面我们给模型来个考试。

咱们用训练集，把模型拟合出来。

pipe.fit(X_train.cutted_comment, y_train)
复制代码

而后，咱们在测试集上，对情感分类标记进行预测。

pipe.predict(X_test.cutted_comment)
复制代码

这一大串0和1，你看得是否眼花缭乱？

不要紧，scikit-learn给咱们提供了很是多的模型性能测度工具。

咱们先把预测结果保存到y_pred。

y_pred = pipe.predict(X_test.cutted_comment)
复制代码

读入 scikit-learn 的测量工具集。

from sklearn import metrics
复制代码

咱们先来看看测试准确率：

metrics.accuracy_score(y_test, y_pred)
复制代码

0.86
复制代码

这个结果是否是让你很吃惊？没错，模型面对没有见到的数据，竟然有如此高的情感分类准确性。

对于分类问题，光看准确率有些不全面，我们来看看混淆矩阵。

metrics.confusion_matrix(y_test, y_pred)
复制代码

array([[194,  43],
       [ 27, 236]])
复制代码

混淆矩阵中的4个数字，分别表明：

• TP: 原本是正向，预测也是正向的；
• FP: 原本是负向，预测倒是正向的；
• FN: 原本是正向，预测倒是负向的；
• TN: 原本是负向，预测也是负向的。

下面这张图（来自 https://goo.gl/5cYGZd ）应该能让你更为清晰理解混淆矩阵的含义：

写到这儿，你大概能明白我们模型的性能了。

可是总不能只把我们训练出的模型和无脑“笨模型”去对比吧？这也太不公平了！

下面，咱们把老朋友 SnowNLP 呼唤出来，作个对比。

若是你把它给忘了，请复习《如何用Python作情感分析？》

from snownlp import SnowNLP
def get_sentiment(text):
    return SnowNLP(text).sentiments
复制代码

咱们利用测试集评论原始数据，让 SnowNLP 跑一遍，得到结果。

y_pred_snownlp = X_test.comment.apply(get_sentiment)
复制代码

注意这里有个小问题。 SnowNLP 生成的结果，不是0和1，而是0到1之间的小数。因此咱们须要作一步转换，把0.5以上的结果看成正向，其他看成负向。

y_pred_snownlp_normalized = y_pred_snownlp.apply(lambda x: 1 if x>0.5 else 0)
复制代码

看看转换后的前5条 SnowNLP 预测结果：

y_pred_snownlp_normalized[:5]
复制代码

好了，符合咱们的要求。

下面咱们先看模型分类准确率：

metrics.accuracy_score(y_test, y_pred_snownlp_normalized)
复制代码

0.77
复制代码

与之对比，我们的测试集分类准确率，但是0.86哦。

咱们再来看看混淆矩阵。

metrics.confusion_matrix(y_test, y_pred_snownlp_normalized)
复制代码

array([[189,  48],
       [ 67, 196]])
复制代码

对比的结果，是 TP 和 TN 两项上，我们的模型判断正确数量，都要超出 SnowNLP。

小结

回顾一下，本文介绍了如下知识点：

1. 如何用一袋子词（bag of words）模型将天然语言语句向量化，造成特征矩阵；
2. 如何利用停用词表、词频阈值和标记模式(token pattern)移除不想干的伪特征词汇，下降模型复杂度。
3. 如何选用合适的机器学习分类模型，对词语特征矩阵作出分类；
4. 如何用管道模式，归并和简化机器学习步骤流程；
5. 如何选择合适的性能测度工具，对模型的效能进行评估和对比。

但愿这些内容可以帮助你更高效地处理中文文本情感分类工做。

讨论

你以前用机器学习作过中文情感分类项目吗？你是如何去除停用词的？你使用的分类模型是哪一个？得到的准确率怎么样？欢迎留言，把你的经验和思考分享给你们，咱们一块儿交流讨论。

喜欢请点赞。还能够微信关注和置顶个人公众号“玉树芝兰”(nkwangshuyi)。

若是你对数据科学感兴趣，不妨阅读个人系列教程索引贴《如何高效入门数据科学？》，里面还有更多的有趣问题及解法。