[DeeplearningAI笔记]序列模型2.9情感分类

5.2自然语言处理

觉得有用的话,欢迎一起讨论相互学习~Follow Me

2.9 Sentiment classification 情感分类

• 情感分类任务简单来说是看一段文本，然后分辨这个人是否喜欢或不喜欢他们正在谈论的这段文本。
• 情感分类 一个最大的挑战是可能标记的训练集没有那么多，但是有了词嵌入，即使只有中等大小标记的训练集也能构建一个不错的情感分类器。

问题引入

• 通过训练一个从x到y的映射得到一个情感分类器，只需要收集在社交媒体上顾客对你的评价，你就可以判断其对餐厅的情感是正面的还是负面的。

简单的情感分类模型

示例 The dessert is excellent

1. 首先在字典中找出句中所有单词，并使用 one-hot向量 表示 ，乘以 词嵌入矩阵E ，得到单词的 嵌入向量e
   1. 如果在很大的语料库中训练 词嵌入矩阵E 比如壹佰亿的单词，这样就能获得很多知识甚至从有些不常见的词中获取，然后应用到你的问题上，即使你的标记数据集里没有这些词。
2. 得到的 嵌入向量e 是一个具有300维特征的向量，将句子中所有单词的 嵌入向量e 进行加和或求平均，此时会得到一个300维度的特征向量，把这个特征向量送进softmax分类器，然后输出\(\hat{y}\)
   1. 其中softmax 分类器能够输出5个分类结果，从一星到五星。
   2. 而求和和平均的操作则避免模型考虑原有句子的长短。无论原先句子都多长，在 求和 或 平均 操作后都只有300维度，即只和原有的特征定义相关。

   

缺点 这个算法的缺点是没有考虑语序的问题，对于 Completely lacking in good taste,good service, and good ambience(完全没有好的味道，好的服务，好的环境) 但是这个语句中使用了很多次 good ,如果仅仅是把所有单词的 嵌入向量e 相加，你最后的特征向量会有很多 good 的特征。

基于RNN的情感分类模型

• Completely lacking in good taste,good service, and good ambience(完全没有好的味道，好的服务，好的环境)

1. 首先将每一个单词使用one-hot向量进行表示
2. 将每个单词的one-hot向量乘以 词嵌入矩阵E 得到每个单词的 词嵌入向量e
3. 将其送入RNN中，在RNN的最后一个时间步计算一个特征表示，用来预测 \(\hat{y}\)

优点 这样就能考虑句子中单词的顺序，对于情感分类的效果就会更好了，结合句中的短语对整个句子的情感有新的导向。