在这个信息爆炸的时代，我们每天都在与海量的文本数据打交道。从社交媒体上的帖子、在线评论到新闻报道，文本信息无处不在。然而，这些文本不仅仅是文字的堆砌，它们背后蕴含着丰富的情感和观点。如何有效地理解和分析这些情感，成为了自然语言处理（NLP）领域中的一个重要课题——语言情感分析。本文将带你一窥语言情感分析的奥秘，探讨其原理、应用及未来发展趋势。
一、什么是语言情感分析？
语言情感分析，又称情感倾向性分析或情感挖掘，是指利用自然语言处理技术自动识别并提取文本中表达的情感倾向。这些情感可以是正面的（如“太棒了！”）、负面的（如“真失望！”）或是中性的。情感分析的核心在于理解文本背后的情感色彩，帮助机器像人一样“感知”情绪。
二、项目目标及处理方法:
1目标:
将评论内容转换为词向量。
2、每个词/字转换为词向量长度
(维度)200
3、每一次传入的词/字的个数是否就是评论的长度?
应该是固定长度，每次传入数据与图像相似。 例如选择长度为32。则传入的数据为32*200
4、一条评论如果超过32个词/字怎么处理？
直接删除后面的内容
5、一条评论如果没有32个词/字怎么处理？
缺少的内容，统一使用一个数字（非词/字的数字）替代。
6、如果语料库中的词/字太多是否可以压缩？
可以，某些词/字出现的频率比较低，可能训练不出特征。因此可以选择频率比较高的词来训练。例如选择4760个。
7、被压缩的词/字如何处理？
可以统一使用一个数字（非词/字的数字）替代。
三、项目步骤
1.构建词汇表（vocab），这个词汇表用于文本处理任务
# 导入tqdm库，用于显示循环的进度条
from tqdm import tqdm
# 导入pickle库，用于对象的序列化和反序列化
import pickle as pkl # 定义常量，词表的最大长度限制
MAX_VOC_SIZE = 4760
# 定义常量，未知字和填充符号的标识
UNK, PAD = '<UNK>', '<PAD>' def build_vocab(file_path, max_size, min_freq): ''' 功能: 基于文本内容建立词表vocab，vocab中包含语料库中的字 参数: file_path: 需要读取的语料库的路径 max_size: 获取词频最高的前max_size个词 剔除字频低于min_freq个的词 ''' # 定义一个tokenizer函数，用于将文本分割成单个字符 tokenizer = lambda x: [y for y in x] # 初始化一个空字典，用于保存词的统计信息 vocab_dic = {} # 打开文件，准备读取内容 with open(file_path, 'r', encoding='UTF-8') as f: i = 0 # 初始化行计数器 # 使用tqdm包装文件读取循环，以显示进度条 for line in tqdm(f): # 如果是文件的第一行（通常是表头），则跳过 if i == 0: i += 1 continue # 去除每行开头的两个字符（可能是标签或分隔符），并去除首尾空白 lin = line[2:].strip() # 如果处理后的行内容为空，则跳过 if not lin: continue # 遍历行内容中的每个字符，统计字符出现的次数 for word in tokenizer(lin): vocab_dic[word] = vocab_dic.get(word, 0) + 1 # 过滤掉词频低于min_freq的字符，按词频降序排序，取前max_size个 vocab_list = sorted([_ for _ in vocab_dic.items() if _[1] > min_freq], key=lambda x: x[1], reverse=True)[:max_size] # 为过滤后的字符分配索引，从0开始 vocab_dic = {word_count[0]: idx for idx, word_count in enumerate(vocab_list)} # 更新词汇表字典，加入<UNK>和<PAD>及其对应的索引 vocab_dic.update({UNK: len(vocab_dic), PAD: len(vocab_dic) + 1}) # 打印词汇表字典 print(vocab_dic) # 使用pickle将词汇表字典序列化并保存到文件中 pkl.dump(vocab_dic, open('simplifyweibo_4_moods.pkl', 'wb')) # 打印词汇表的大小 print(f"Vocab size: {len(vocab_dic)}") # 返回构建好的词汇表字典 return vocab_dic if __name__ == '__main__': # 调用build_vocab函数，传入文件路径、词表最大长度和最小词频阈值 vocab = build_vocab('simplifyweibo_4_moods.csv', MAX_VOC_SIZE, 1) # 注意：这里的print('vocab')只是打印了字符串'vocab'，并没有打印变量vocab的内容 # 如果要打印变量vocab的内容，应该使用print(vocab) print('vocab')结果展示:
2、评论删除、填充，切分数据集
from tqdm import tqdm
import pickle as pkl
import random
import torchUNK, PAD = '<UNK>', '<PAD>' # 未知字，padding符号def load_dataset(path, pad_size=70): # path为文件地址，pad_size为单条评论字符的最大长度contents = [] # 用来存储转换为数值标号的句子vocab = pkl.load(open('simplifyweibo_4_moods.pkl', 'rb')) # 读取vocab词库文件，rb二进制只读tokenizer = lambda x: [y for y in x] # 自定义函数用来将字符串分隔成单个字符并存入列表with open(path, 'r', encoding='utf8') as f:i = 0for line in tqdm(f): # 遍历文件内容的每一行，同时展示进度条if i == 0: # 此处循环目的为了跳过第一行的无用内容i += 1continueif not line: # 筛选是不是空行，空行则跳过continuelabel = int(line[0]) # 返回当前行的标签content = line[2:].strip('\n') # 取出标签和逗号后的所有内容，同时去除前后的换行符words_line = []token = tokenizer(content) # 将每一行的内容进行分字，返回一个列表seq_len = len(token) # 获取一行实际内容的长度if pad_size:if len(token) < pad_size: # 如果一行的字符数少于70，则填充字符<PAD>，填充个数为少于的部分的个数token.extend([PAD] * (pad_size - len(token)))else: # 如果一行的字大于70，则只取前70个字token = token[:pad_size] # 如果一条评论种的宁大于或等于70个字，索引的切分seq_len = pad_size # 当前评论的长度# word to idfor word in token: # 遍历实际内容的每一个字符words_line.append(vocab.get(word, vocab.get(UNK))) # vocab为词库，其中为字典形式，使用get去获取遍历出来的字符的值，值可表示索引值，如果该字符不在词库中则将其值增加为字典中键UNK对应的值，words_line中存放的是每一行的每一个字符对应的索引值contents.append((words_line, int(label), seq_len)) # 将每一行评论的字符对应的索引以及这一行评论的类别，还有当前评论的实际内容的长度，以元组的形式存入列表random.shuffle(contents) # 随机打乱每一行内容的顺序"""切分80%训练集、10%验证集、10%测试集"""train_data = contents[: int(len(contents) * 0.8)] # 前80%的评论数据作为训练集dev_data = contents[int(len(contents) * 0.8):int(len(contents) * 0.9)] # 把80%~90%的评论数据集作为验证数热test_data = contents[int(len(contents) * 0.9):] # 90%~最后的数据作为测试数据集return vocab, train_data, dev_data, test_data # 返回词库、训练集、验证集、测试集，数据集为列表中的元组形式3.定义一个类，用于迭代地处理数据集，将其分割成指定大小的批次（batch），并能够在GPU或其他设备上运行
class DatasetIterater(object): def __init__(self, batches, batch_size, device): """ 初始化DatasetIterater对象 :param batches: 数据集，通常是一个包含多个数据项的列表，每个数据项是一个元组，包含输入数据和标签等 :param batch_size: 每个批次的数据量 :param device: 指定数据应该被加载到的设备，例如'cpu'或'cuda' """ self.batch_size = batch_size # 设置批次大小 self.batches = batches # 存储整个数据集 self.n_batches = len(batches) // batch_size # 计算完整批次的数量 self.residue = False # 标记是否有剩余数据不足以形成一个完整批次 # 如果数据集长度不是批次大小的整数倍，则设置residue为True if len(batches) % self.n_batches != 0: self.residue = True self.index = 0 # 初始化当前批次的索引 self.device = device # 设置数据加载的设备 def _to_tensor(self, datas): """ 将数据集转换为张量并发送到指定设备 :param datas: 数据集的一个批次，是一个包含多个元组的列表，每个元组包含输入数据、标签和序列长度 :return: 转换后的输入数据和标签的张量元组 """ x = torch.LongTensor([_[0] for _ in datas]).to(self.device) # 转换输入数据为长整型张量并发送到设备 y = torch.LongTensor([_[1] for _ in datas]).to(self.device) # 转换标签为长整型张量并发送到设备 seq_len = torch.LongTensor([_[2] for _ in datas]).to(self.device) # 转换序列长度为长整型张量并发送到设备 return (x, seq_len), y # 返回输入数据和标签的张量元组 def __next__(self): """ 实现迭代器的__next__方法，用于获取下一个批次的数据 :return: 下一个批次的数据，是一个包含输入数据和标签的张量元组 """ # 如果存在剩余数据且当前索引等于完整批次的数量，则处理剩余数据 if self.residue and self.index == self.n_batches: batches = self.batches[self.index * self.batch_size: len(self.batches)] self.index += 1 batches = self._to_tensor(batches) # 转换数据类型为张量 return batches # 如果当前索引超过了完整批次的数量，则重置索引并抛出StopIteration异常以结束迭代 elif self.index > self.n_batches: self.index = 0 raise StopIteration # 否则，提取当前批次的数据，转换数据类型为张量，并返回 else: batches = self.batches[self.index * self.batch_size:(self.index + 1) * self.batch_size] self.index += 1 batches = self._to_tensor(batches) return batches def __iter__(self): """ 实现迭代器的__iter__方法，使对象本身成为迭代器 :return: 返回迭代器对象本身 """ return self def __len__(self): """ 实现迭代器的__len__方法，返回迭代器的长度（即批次数） :return: 迭代器的长度，如果有剩余数据则加1 """ if self.residue: return self.n_batches + 1 else: return self.n_batches4、定义模型，前向传播函数(文件名为TestRNN)
import torch.nn as nn # 导入PyTorch的神经网络模块 class Model(nn.Module): # 定义一个名为Model的类，它继承自nn.Module def __init__(self, embedding_pertrainde, n_vocab, embed, num_classes): # 类的初始化方法 # embedding_pertrainde: 预训练的词嵌入矩阵，如果为None则不使用预训练词嵌入 # n_vocab: 词汇表的大小 # embed: 词嵌入的维度 # num_classes: 输出类别的数量 super(Model, self).__init__() # 调用父类的初始化方法 # 如果提供了预训练的词嵌入，则使用它们初始化Embedding层，并设置padding_idx和freeze参数 if embedding_pertrainde is not None: self.embedding = nn.Embedding.from_pretrained(embedding_pertrainde, padding_idx=n_vocab-1, freeze=False) # 如果没有提供预训练的词嵌入，则使用随机初始化的词嵌入创建Embedding层 else: self.embedding = nn.Embedding(n_vocab, embed, padding_idx=n_vocab-1) # 定义一个LSTM层，输入维度为embed，隐藏层维度为128，层数为3，双向LSTM，batch_first=True，dropout为0.3 self.lstm = nn.LSTM(embed, 128, 3, bidirectional=True, batch_first=True, dropout=0.3) # 定义一个全连接层，输入维度为128*2（因为LSTM是双向的，所以隐藏状态维度是单向的两倍），输出维度为num_classes self.fc = nn.Linear(128*2, num_classes) def forward(self, x): # 定义模型的前向传播过程 # 注意：这里的x应该是一个元组，但通常我们只关心第一个元素（输入数据），第二个元素（输入数据的长度）在这个模型中没有使用 x, _ = x # 忽略输入数据的长度，只保留输入数据 # 将输入数据通过Embedding层转换为词嵌入表示 out = self.embedding(x) # 将词嵌入表示通过LSTM层，得到LSTM的输出 out, _ = self.lstm(out) # LSTM的输出是一个元组，但这里我们只关心输出序列的最后一个时间步的隐藏状态 # 将LSTM的最后一个时间步的隐藏状态通过全连接层，得到最终的输出 # 注意：out[:,-1,:]表示取输出序列的最后一个时间步的所有隐藏状态（因为是双向LSTM，所以有两个隐藏状态） out = self.fc(out[:,-1,:]) # 返回模型的输出 return out5、定义训练、测试函数
import torch
import torch.nn.functional as F
import torch.nn as nn
import numpy as np
from sklearn import metrics
import time # 评估模型性能的函数
def evaluate(class_list, model, data_iter, test=False): model.eval() # 设置模型为评估模式 loss_total = 0 # 初始化总损失为0 predict_all = np.array([], dtype=int) # 初始化预测结果数组 labels_all = np.array([], dtype=int) # 初始化真实标签数组 with torch.no_grad(): # 禁用梯度计算 for texts, labels in data_iter: # 遍历数据迭代器 outputs = model(texts) # 通过模型得到输出 loss = F.cross_entropy(outputs, labels) # 计算交叉熵损失 loss_total += loss # 累加损失 labels = labels.data.cpu().numpy() # 将标签转换为NumPy数组并移到CPU predic = torch.max(outputs.data, 1)[1].cpu().numpy() # 得到预测结果并移到CPU labels_all = np.append(labels_all, labels) # 追加真实标签到数组 predict_all = np.append(predict_all, predic) # 追加预测结果到数组 acc = metrics.accuracy_score(labels_all, predict_all) # 计算准确率 if test: # 如果是测试模式 report = metrics.classification_report(labels_all, predict_all, target_names=class_list, digits=4) # 生成分类报告 return acc, loss_total / len(data_iter), report # 返回准确率、平均损失和分类报告 return acc, loss_total / len(data_iter) # 返回准确率和平均损失 # 在测试集上测试模型的函数
def test(model, test_iter, class_list): model.load_state_dict(torch.load('TextRNN.skpt')) # 加载模型参数（注意文件扩展名可能是.pth或.ckpt，这里可能是个笔误） model.eval() # 设置模型为评估模式 start_time = time.time() # 记录开始时间 test_acc, test_loss, test_report = evaluate(class_list, model, test_iter, test=True) # 评估模型 msg = "Test Loss:{0:>5.2},Test Acc:{1:6.2%}" # 定义输出格式 print(msg.format(test_loss, test_acc)) # 打印测试损失和准确率 print(test_report) # 打印分类报告 pass # 这个pass是多余的，可以删除 # 训练模型的函数
def train(model, train_iter, dev_iter, test_iter, class_list): model.train() # 设置模型为训练模式 optimizer = torch.optim.Adam(model.parameters(), lr=1e-3) # 定义Adam优化器 total_batch = 0 # 初始化总批次数为0 dev_best_loss = float('inf') # 初始化验证集最佳损失为正无穷 last_improve = 0 # 初始化最后改进的批次为0 flag = False # 初始化提前停止标志为False epochs = 2 # 定义训练轮数为2 for epoch in range(epochs): # 遍历训练轮数 print('Epoch [{}/{}]'.format(epoch + 1, epochs)) # 打印当前轮数 for i, (trains, labels) in enumerate(train_iter): # 遍历训练数据迭代器 outputs = model(trains) # 通过模型得到输出 loss = F.cross_entropy(outputs, labels) # 计算交叉熵损失 model.zero_grad() # 清零梯度 loss.backward() # 反向传播 optimizer.step() # 更新参数 if total_batch % 100 == 0: # 每100个批次输出一次信息 predic = torch.max(outputs.data, 1)[1].cpu() # 得到预测结果并移到CPU train_acc = metrics.accuracy_score(labels.data.cpu(), predic) # 计算训练准确率 dev_acc, dev_loss = evaluate(class_list, model, dev_iter) # 在验证集上评估模型 if dev_loss < dev_best_loss: # 如果当前验证损失低于最佳损失 dev_best_loss = dev_loss # 更新最佳损失 torch.save(model.state_dict(), 'TextRNN.ckpt') # 保存模型参数 last_improve = total_batch # 更新最后改进的批次 msg = 'Iter:{0:>6},Train Loss:{1:>5.2},Train Acc:{2:>6.2%},Val Loss:{3:>5.2},Val Acc:{4:>6.2%}' # 定义输出格式 print(msg.format(total_batch, loss.item(), train_acc, dev_loss, dev_acc)) # 打印信息 model.train() # 重新设置模型为训练模式 total_batch += 1 # 累加总批次数 if total_batch - last_improve > 10000: # 如果超过10000个批次没有改进 print("No optimization for a long time, auto-stopping...") # 打印提前停止信息 flag = True # 设置提前停止标志为True if flag: # 如果提前停止标志为True break # 跳出训练循环 test(model, test_iter, class_list) #进行测试6、定义主函数(main)
import torch # 导入PyTorch库，用于构建和训练神经网络
import numpy as np # 导入NumPy库，用于进行高效的数组和矩阵运算
import load_dataset, TextRNN # 导入自定义的load_dataset模块和TextRNN模块
from train_eval_test import train # 从train_eval_test模块导入train函数，用于模型的训练、评估和测试 # 设置设备，优先选择CUDA（GPU），如果不可用则选择MPS（Apple的金属性能着色器），否则使用CPU
device = "cuda" if torch.cuda.is_available() else "mps" if torch.backends.mps.is_available() else "cpu" # 设置随机种子以保证结果的可重复性
np.random.seed(1) # 设置NumPy的随机种子
torch.manual_seed(1) # 设置PyTorch的全局随机种子
torch.cuda.manual_seed_all(1) # 如果使用CUDA，则为所有CUDA设备设置随机种子
torch.backends.cudnn.deterministic = True # 设置CuDNN为确定性模式，进一步保证结果的一致性 # 加载数据集
vocab, train_data, dev_data, test_data = load_dataset.load_dataset('simplifyweibo_4_moods.csv') # 从CSV文件中加载词汇表和数据集（训练集、开发集、测试集） # 创建数据集迭代器
train_iter = load_dataset.DatasetIterater(train_data, 128, device) # 为训练数据创建迭代器，批量大小为128
dev_iter = load_dataset.DatasetIterater(dev_data, 128, device) # 为开发数据创建迭代器，批量大小为128
test_iter = load_dataset.DatasetIterater(test_data, 128, device) # 为测试数据创建迭代器，批量大小为128 # 加载预训练的词嵌入
embedding_pretrained = torch.tensor(np.load('embedding_Tencent.npz')['embeddings'].astype('float32')) # 从.npz文件中加载预训练的词嵌入 # 根据是否加载了预训练的词嵌入来确定嵌入维度，否则使用默认值200
embed = embedding_pretrained.size(1) if embedding_pretrained is not None else 200 # 定义类别列表和类别数量
class_list = ['喜悦', '愤怒', '厌恶', '低落'] # 定义情感分类的类别列表
num_classes = len(class_list) # 计算类别数量 # 初始化TextRNN模型
model = TextRNN.Model(embedding_pretrained, len(vocab), embed, num_classes).to(device) # 创建TextRNN模型实例，并将其移动到指定的设备上 # 训练模型
train(model, train_iter, dev_iter, test_iter, class_list) # 使用训练、开发和测试迭代器训练模型，并输出分类结果
代码结果:
结语
尽管情感分析取得了显著进展，但仍面临诸多挑战，如多语言支持、复杂情感识别（如讽刺、幽默）、跨领域适应性等。随着深度学习技术的不断进步，尤其是预训练语言模型（如GPT系列、BERT）的兴起，情感分析的准确性和泛化能力得到了显著提升。
未来，情感分析将更加智能化和个性化，能够更精细地捕捉和解读人类情感。同时，结合其他技术如图像识别、语音识别，实现多模态情感分析，将为人工智能带来更加丰富的情感理解和交互能力。
语言情感分析作为自然语言处理的一个重要分支，正逐步渗透到我们生活的方方面面，改变着人与信息的交互方式。随着技术的不断演进，我们有理由相信，未来的机器不仅能理解文字的字面意义，更能深刻感知并回应人类的情感需求，共同构建一个更加智能、和谐的社会。
