# 情感分析及数据集

🏷 sec_sentiment

随着在线社交媒体和评论平台的快速发展，大量评论的数据被记录下来。这些数据具有支持决策过程的巨大潜力。
情感分析（sentiment analysis）研究人们在文本中
（如产品评论、博客评论和论坛讨论等）“隐藏” 的情绪。
它在广泛应用于政治（如公众对政策的情绪分析）、
金融（如市场情绪分析）和营销（如产品研究和品牌管理）等领域。

由于情感可以被分类为离散的极性或尺度（例如，积极的和消极的），我们可以将情感分析看作一项文本分类任务，它将可变长度的文本序列转换为固定长度的文本类别。在本章中，我们将使用斯坦福大学的大型电影评论数据集（large movie review dataset）进行情感分析。它由一个训练集和一个测试集组成，其中包含从 IMDb 下载的 25000 个电影评论。在这两个数据集中，“积极” 和 “消极” 标签的数量相同，表示不同的情感极性。

	import os
	import torch
	from torch import nn
	from d2l import torch as d2l

# 读取数据集

首先，下载并提取路径 ../data/aclImdb 中的 IMDb 评论数据集。

	#@save
	d2l.DATA_HUB['aclImdb'] = (
	'http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz',
	'01ada507287d82875905620988597833ad4e0903')

	data_dir = d2l.download_extract('aclImdb', 'aclImdb')

Downloading ../data/aclImdb_v1.tar.gz from http://ai.stanford.edu/~amaas/data/sentiment/aclImdb_v1.tar.gz...

接下来，读取训练和测试数据集。每个样本都是一个评论及其标签：1 表示 “积极”，0 表示 “消极”。

	#@save
	def read_imdb(data_dir, is_train):
	"""读取IMDb评论数据集文本序列和标签"""
	data, labels = [], []
	for label in ('pos', 'neg'):
	folder_name = os.path.join(data_dir, 'train' if is_train else 'test',
	label)
	for file in os.listdir(folder_name):
	with open(os.path.join(folder_name, file), 'rb') as f:
	review = f.read().decode('utf-8').replace('\n', '')
	data.append(review)
	labels.append(1 if label == 'pos' else 0)
	return data, labels

	train_data = read_imdb(data_dir, is_train=True)
	print('训练集数目：', len(train_data[0]))
	for x, y in zip(train_data[0][:3], train_data[1][:3]):
	print('标签：', y, 'review:', x[0:60])

训练集数目： 25000
标签： 1 review: Henry Hathaway was daring, as well as enthusiastic, for his 
标签： 1 review: An unassuming, subtle and lean film, "The Man in the White S
标签： 1 review: Eddie Murphy really made me laugh my ass off on this HBO sta

# 预处理数据集

将每个单词作为一个词元，过滤掉出现不到 5 次的单词，我们从训练数据集中创建一个词表。

	train_tokens = d2l.tokenize(train_data[0], token='word')
	vocab = d2l.Vocab(train_tokens, min_freq=5, reserved_tokens=['<pad>'])

在词元化之后，让我们绘制评论词元长度的直方图。

	d2l.set_figsize()
	d2l.plt.xlabel('# tokens per review')
	d2l.plt.ylabel('count')
	d2l.plt.hist([len(line) for line in train_tokens], bins=range(0, 1000, 50));

svg

正如我们所料，评论的长度各不相同。为了每次处理一小批量这样的评论，我们通过截断和填充将每个评论的长度设置为 500。这类似于 :numref: sec_machine_translation 中对机器翻译数据集的预处理步骤。

	num_steps = 500 # 序列长度
	train_features = torch.tensor([d2l.truncate_pad(
	vocab[line], num_steps, vocab['<pad>']) for line in train_tokens])
	print(train_features.shape)

torch.Size([25000, 500])

# 创建数据迭代器

现在我们可以创建数据迭代器了。在每次迭代中，都会返回一小批量样本。

	train_iter = d2l.load_array((train_features,
	torch.tensor(train_data[1])), 64)

	for X, y in train_iter:
	print('X:', X.shape, ', y:', y.shape)
	break
	print('小批量数目：', len(train_iter))

X: torch.Size([64, 500]) , y: torch.Size([64])
小批量数目： 391

# 整合代码

最后，我们将上述步骤封装到 load_data_imdb 函数中。它返回训练和测试数据迭代器以及 IMDb 评论数据集的词表。

	#@save
	def load_data_imdb(batch_size, num_steps=500):
	"""返回数据迭代器和IMDb评论数据集的词表"""
	data_dir = d2l.download_extract('aclImdb', 'aclImdb')
	train_data = read_imdb(data_dir, True)
	test_data = read_imdb(data_dir, False)
	train_tokens = d2l.tokenize(train_data[0], token='word')
	test_tokens = d2l.tokenize(test_data[0], token='word')
	vocab = d2l.Vocab(train_tokens, min_freq=5)
	train_features = torch.tensor([d2l.truncate_pad(
	vocab[line], num_steps, vocab['<pad>']) for line in train_tokens])
	test_features = torch.tensor([d2l.truncate_pad(
	vocab[line], num_steps, vocab['<pad>']) for line in test_tokens])
	train_iter = d2l.load_array((train_features, torch.tensor(train_data[1])),
	batch_size)
	test_iter = d2l.load_array((test_features, torch.tensor(test_data[1])),
	batch_size,
	is_train=False)
	return train_iter, test_iter, vocab

# 小结

情感分析研究人们在文本中的情感，这被认为是一个文本分类问题，它将可变长度的文本序列进行转换转换为固定长度的文本类别。
经过预处理后，我们可以使用词表将 IMDb 评论数据集加载到数据迭代器中。

# 练习

我们可以修改本节中的哪些超参数来加速训练情感分析模型？
请实现一个函数来将 Amazon reviews 的数据集加载到数据迭代器中进行情感分析。

Discussions

chapter_natural-language-processing-applications