本文写于 2018年12月28日，距今已超过 1 年，距 2020年07月25日 的最后一次修改也已超过 3 个月，部分内容可能已经过时，您可以按需阅读。如果图片无法显示或者下载链接失效，请给我反馈，谢谢！
参考文献：Perform Sentiment Analysis with LSTMs Using TensorFlow
原来的代码可能哪里有点问题，准确率不应该有这么高的，修正后的准确率大概在60%，如图截图给出的是其中某次预测的准确率为51%的截图，可以看到准确率高的有70%，对于Twitter情感分析，学术顶尖的论文大概在70%的准确率。
第一件事情是把单词变成向量。
通常使用 Word2Vec 的模型。该模型采用大量句子数据集（例如英文维基百科），并为语料库中的每个不同词输出向量。模型是通过将数据集中的每个句子进行训练，具有相似上下文的单词将在向量空间中放置在相近的位置。在自然语言中，当尝试确定其含义时，单词的上下文可能非常重要。
首先，要创建词向量。为简单起见，将使用预训练好的模型。
Glove 提供了预训练的数据，矩阵包含 40 万个词向量，每个维数为 50。
数据的格式是txt，可以自己读入并处理，做好单词和向量的映射。
也可以找到 Glove 的二进制预训练数据，使用Tool to convert binary GloVe vectors to numpy array工具将二进制的文件转换成npy格式。
Glove 也提供了大量的训练样本和训练程序，网上也能找到大量的训练代码，只需要下载训练数据，然后运行官方提供的脚本，就可以完成训练。不过这一过程将耗费非常长的时间。
因为这一部分不是重点，所以我直接下载了npy格式的预训练数据集。
wordsList.npy：
下载提示
wordVectors.npy:
下载提示
先看看这一步是不是正确：
首先
import numpy as np
wordsList = np.load('wordsList.npy')
wordsList = wordsList.tolist()
wordsList = [word.decode('UTF-8') for word in wordsList]
wordVectors = np.load('wordVectors.npy')
导入数据集，然后使用wordList.index(word)得到word的索引号index，并使用wordVector[index]得到word的词向量。
运行
print(wordsList.index("hello"))
print(wordVectors[wordsList.index("hello")])
输出hello的索引号，并输出其词向量，得到索引号是 13075，词向量如下图：
对于句子的处理，可以用一个遍历来完成。
import numpy as np
wordsList = np.load('wordsList.npy')
wordsList = wordsList.tolist()
wordsList = [word.decode('UTF-8') for word in wordsList]
wordVectors = np.load('wordVectors.npy')
maxLength = 10
numDimensions = 300
s = "my name is hello world"
si = np.zeros(maxLength, dtype='int32')
s = s.strip().split()
for i in range(len(s)):
si[i] = wordsList.index(s[i])
print(si.shape)
print(si)
for i in range(len(s[i])):
print(wordVectors[si[i]])
之后要为整个训练集创建矩阵，但是每一个句子拥有多少个单词是不确定的，如何才能保证所有的记录拥有相同的维度（即，所有的句子拥有相同的长度，不足的补 0，超过的截断）却又不会丢失训练信息（即，大部分的句子仍然保留了所有的信息，而不至于被截断的部分太大）呢？
一种显而易见的做法是，令 90% 左右的句子都能够完整保留所有单词就行了。
在为整个训练集创建矩阵之前，首先花一些时间为拥有的数据类型做一下可视化，这会帮助我们确定设定最大序列长度的最佳值。
读入每个句子，然后用空格分隔，就可以统计出每个句子有多少个单词，将句子的长度添加进numWords列表，然后用matplotlib库将numWords可视化。
with open("train.txt", "r", encoding='utf-8') as f:
while True:
line=f.readline()
if not line:
break
txt = line.split("\t")[2]
counter = len(txt.split())
numWords.append(counter)
import matplotlib.pyplot as plt
plt.hist(numWords, 50)
plt.xlabel('Sequence Length')
plt.ylabel('Frequency')
plt.axis([0, 40, 0, 1000])
plt.show()
如图，可以看到，几乎所有的句子的长度都在 30 以下，那么，就可以直接令句子的最长值为 30。
这里没有取所有句子中真正最长的那个作为句子最长值，是因为这样会造成样本空间急剧增大，带来更大的运算量和更差的效率，而由于大部分都是 0，增加的运算量不能带来信息上的获益。
这样就定义了一个maxSeqLength。
maxSeqLength = 30
下面尝试将某个句子转换成 id 矩阵。
例如我随便取了训练样本中的一句话，One of my best 8th graders Kory was excited after his touchdown...，试着将这句话变成 id 矩阵，看看是什么效果。
首先用正则表达式去掉这句话中所有奇怪的数字、标点……并将所有字母换成小写。
record = "One of my best 8th graders Kory was excited after his touchdown"
tmp = np.zeros(maxSeqLength, dtype='int32')
indexCounter = 0
line = record
cleanedLine = cleanSentences(line)
split = cleanedLine.split()
for word in split:
try:
tmp[indexCounter] = wordsList.index(word)
except ValueError:
tmp[indexCounter] = UNKNOWM # Vector for unknown words
indexCounter = indexCounter + 1
print(tmp)
可以看到程序正常结束，并且得到了这样一个 id 矩阵。
现在，只需要对所有的句子做同样的操作。
当然，顺便要在处理每一个句子的时候，记录下它的标签是积极的，还是消极的，还是中立的。
假设已经将train.txt中所有的句子读入到内存，并且分别保存在 3 个列表中，那么下面只需分别取出每一个句子，重复上面的过程即可。
这里以处理positive sentence为例，另外两类也是类似的。
for positive_sentence in positive:
print("Processing new positive record", sentence_index)
index_counter = 0
cleaned_sentence = cleanSentences(positive_sentence)
split_sentence = cleaned_sentence.split()
for word in split_sentence:
try:
ids[sentence_index][index_counter] = wordsList.index(word)
except ValueError:
ids[sentence_index][index_counter] = UNKNOWM
index_counter = index_counter + 1
if index_counter >= maxSeqLength:
break
sentence_index = sentence_index + 1
positive是train.txt中所有的标签为positive的句子，这是一个遍历，依次处理其中的每一个句子。
为了便于观察，首先打印一句提示。
index_counter记录的是当前处理到的是这个句子的第几个单词。
然后对这个句子使用正则表达式过滤不重要的标点、数字等信息，并以空格分隔，得到split_sentence。
这样就得到了这个句子的所有单词，遍历这些单词。
如果这个单词在wordList中，则取出它的索引号，并保存在ids矩阵中，表示，第sentence_index个句子的第index_counter个单词的索引号是wordList.index(word)。
如果出现异常，说明这个单词没有出现在wordList中，那么置为UNKNOWN。
由于最大句子长度定义为maxSeqLength，所以如果超过了这么多单词，就要截断。
对于另外 2 个分类也是类似的操作。
然后把这个操作封装一下，消除代码复制。
def get_sentence_ids(sentence, ids, sentence_index):
index_counter = 0
cleaned_sentence = cleanSentences(sentence)
split_sentence = cleaned_sentence.split()
for word in split_sentence:
try:
ids[sentence_index][index_counter] = wordsList.index(word)
except ValueError:
ids[sentence_index][index_counter] = UNKNOWM
index_counter = index_counter + 1
if index_counter >= maxSeqLength:
break
def get_ids():
ids = np.zeros((numFiles, maxSeqLength), dtype='int32')
sentence_index = 0
for sentence in positive:
print("Processing new positive record", sentence_index)
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
for sentence in negative:
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
for sentence in neutral:
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
运行得到如下图：
那么，positive、negative和neutral怎么来就简单了，只需要遍历train.txt，然后取出以\t分隔的第 2 个字段的值，按照这个字段的值分别存入不同的列表即可。
numWords = []
positive = []
negative = []
neutral = []
with open("train.txt", "r", encoding='utf-8') as f:
while True:
line = f.readline()
if not line:
break
label = line.split("\t")[1]
text = line.split("\t")[2]
if label == "positive":
positive.append(text)
elif label == "negative":
negative.append(text)
else:
neutral.append(text)
counter = len(text.split())
numWords.append(counter)
验证集和测试集也是类似的处理方法，所以这里做一个封装。
def read_file(input_file):
另外考虑到，get_ids的过程非常长，如果每一次都要重新算过的话花销太大，而且事实上一旦训练集确定，得到的ids矩阵是唯一确定的，所以可以直接把处理后的结果保存下来，下次直接用。
np.save(output_file, ids)
print("Save successfully.")
至此，所有的处理部分已经结束。
strip_special_chars = re.compile("[^A-Za-z0-9 ]+")
def read_file(input_file):
positive = []
negative = []
neutral = []
with open(input_file, "r", encoding='utf-8') as f:
while True:
line = f.readline()
if not line:
break
label = line.split("\t")[1]
text = line.split("\t")[2]
if label == "positive":
positive.append(text)
elif label == "negative":
negative.append(text)
else:
neutral.append(text)
return positive, negative, neutral
def clean_sentences(string):
string = string.lower().replace("<br />", " ")
return re.sub(strip_special_chars, "", string.lower())
def get_sentence_ids(sentence, ids, sentence_index):
index_counter = 0
cleaned_sentence = clean_sentences(sentence)
split_sentence = cleaned_sentence.split()
for word in split_sentence:
try:
ids[sentence_index][index_counter] = wordsList.index(word)
except ValueError:
ids[sentence_index][index_counter] = UNKNOWM
index_counter = index_counter + 1
if index_counter >= maxSeqLength:
break
def get_ids(input_file, output_file):
positive, negative, neutral = read_file(input_file)
num_files = len(positive) + len(negative) + len(neutral)
ids = np.zeros((num_files, maxSeqLength), dtype='int32')
sentence_index = 0
for sentence in positive:
print("Processing new positive record", sentence_index)
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
for sentence in negative:
print("Processing new negative record", sentence_index)
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
for sentence in neutral:
print("Processing new neutral record", sentence_index)
get_sentence_ids(sentence, ids, sentence_index)
sentence_index = sentence_index + 1
np.save(output_file, ids)
print("Save successfully.")
将 id 矩阵保存以后，后面需要的时候直接load就可以了。
test_ids = np.load('my_idsMatrix.npy')
下面就可以着手开始训练了。
首先定义一些参数：
batchSize = 24 lstmUnits = 64 numClasses = 3 iterations = 100000
每一个训练块取 24 条记录，即 24 个句子。
我使用的是 RNN 的 LSTM 模型，训练单元是 64。
分类是分成 3 类。
迭代 100000 次。
定义一个从训练集中随机抽取训练样本的函数。
def get_train_batch():
accurate_label = []
array = np.zeros([batch_size, max_sequence_length])
for index in range(batch_size):
if index % 3 == 0:
num = randint(1, 3646)
accurate_label.append([1, 0, 0])
elif index % 3 == 1:
num = randint(3647, 5107)
accurate_label.append([0, 1, 0])
else:
num = randint(5108, 9683)
accurate_label.append([0, 0, 1])
array[index] = test_ids[num - 1:num]
return array, accurate_label
def get_validate_batch():
accurate_label = []
array = np.zeros([batch_size, max_sequence_length])
for index in range(batch_size):
num = randint(1, 1654)
if num <= 579:
accurate_label.append([1, 0, 0])
elif num <= 921:
accurate_label.append([0, 1, 0])
else:
accurate_label.append([0, 0, 1])
array[index] = test_ids[num - 1:num]
return array, accurate_label
在这个函数中，index从 0 取到batch_size即 24，根据index被 3 除的余数决定取哪一类标签的样本，这样就保证了每个样本都被平均地取到 8 个。
例如，如果index被 3 整除，那么就在所有 positive 的样本中取，positive 的样本一共 3646 个，因此，在这个范围内随机取一个，加入到array中，即array[index] = test_ids[num - 1:num]，并记录当前的样本的标签是属于 positive 的，即accurate_label.append([1, 0, 0])。
对于 negative，随机的范围就是 3647 到 5107，对于 neutral，随机的范围就是 5108 到 9683。
类似的，验证集和测试集也是一样的。
但是对于验证集和测试集，不需要平均地取不同的分类，只需要一次随机。
例如对于验证集，一共 1654 条记录，就只随机一次，然后将这个记录添加进array，并根据随机数的大小判断是哪一个分类。
对于测试集，没有标签字段，这一点下面会处理。
拿到了训练样本，下面就可以训练了。
为了便于观测结果，我使用了 TensorBoard 来做可视化，这样就可以在 http://localhost:6006 查看训练过程中的准确率和损失值的变化。
tf.reset_default_graph() labels = tf.placeholder(tf.float32, [batch_size, numClasses]) input_data = tf.placeholder(tf.int32, [batch_size, max_sequence_length]) data = tf.Variable(tf.zeros([batch_size, max_sequence_length, numDimensions]), dtype=tf.float32) lstm_cell = tf.contrib.rnn.BasicLSTMCell(lstmUnits) lstm_cell = tf.contrib.rnn.DropoutWrapper(cell=lstm_cell, output_keep_prob=0.75) value, _ = tf.nn.dynamic_rnn(lstm_cell, data, dtype=tf.float32)
这里用了 Dropout，就是随机地丢弃一些神经元，降低计算的规模。
在做了一些必要的初始化以后，下面一一赋值。
weight = tf.Variable(tf.truncated_normal([lstmUnits, numClasses]))
bias = tf.Variable(tf.constant(0.1, shape=[numClasses])
value = tf.transpose(value, [1, 0, 2])
last = tf.gather(value, int(value.get_shape()[0]) - 1)
prediction = (tf.matmul(last, weight) + bias)
由此，prediction就是得到的预测矩阵，该矩阵中每一个值表示属于该分类的可能性的大小，那么，取最大值的下标就可以作为预测得到的分类。
如果预测得到的分类与真实的标签一致，就显然是学习成功的。
correctPred = tf.equal(tf.argmax(prediction, 1), tf.argmax(labels, 1))
这句话做的就是，将prediction的结果，与真正的labels做比较，看看他们各自的最大值所对应的下标argmax(args, 1)是不是相等。
然后直接用 TensorFlow 提供的方法计算准确率和损失，不需要自己计算了。
accuracy = tf.reduce_mean(tf.cast(correctPred, tf.float32)) loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=prediction, labels=labels))
这里的优化器用的是
optimizer = tf.train.AdamOptimizer().minimize(loss)
据说 AdamOptimizer 是最好的优化器。
训练的时候有一个坑，我在这里卡住了很久。
可以看到始终会报这个错误。
这是因为一开始我上面处理ids的时候用的UNKNOWN用的是 0x3F3F3F3F，我想用一个值表示无穷大来作为不确定值。
但是可以看到，这里他一定要要求范围只在 [0,400000)，所以，只能把UNKNOWN改为 399999，并重新计算ids。
又是漫长的等待……
定期输出一下，便于观察：
tf.summary.scalar('Loss', loss)
tf.summary.scalar('Accuracy', accuracy)
merged = tf.summary.merge_all()
logdir = "tensorboard/" + datetime.datetime.now().strftime("%Y%m%d-%H%M%S") + "/"
writer = tf.summary.FileWriter(logdir, sess.graph)
输出到 TensorBoard 做可视化。
tensorboard --logdir=tensorboard
启动可视化窗口。
这个训练的过程是非常漫长的，为了避免训练过程中突发异常导致前面的都白训练了，我们应该每隔一定时间就把训练结果保存一下。
这里使用了ckpt保存，每隔 1000 次训练，就将当前的训练结果保存下来。
sess = tf.InteractiveSession()
saver = tf.train.Saver()
sess.run(tf.global_variables_initializer())
for i in range(iterations):
#Next Batch of reviews
nextBatch, nextBatchLabels = get_train_batch()
sess.run(optimizer, {input_data: nextBatch, labels: nextBatchLabels})
# Write summary to Tensorboard
if i % 50 == 0:
summary = sess.run(merged, {input_data: nextBatch, labels: nextBatchLabels})
writer.add_summary(summary, i)
# Save the network every 10,000 training iterations
if i % 1000 == 0 and i != 0:
save_path = saver.save(sess, "models/pretrained_lstm.ckpt", global_step=i)
print("saved to %s" % save_path)
writer.close()
可以看到，每隔 1000 个训练，就保存了一次 CheckPoint，而且可以看到，会自动地删除旧的检查点，只保留最近的 5 个。
程序正常结束。
看一下精度。
这是训练到 50% 时候。
这是去除了一些异常的点以后看到的。
可以看到，训练的准确率基本在 90% 左右。
下面就可以开始测试了，在测试之前，我们先对准确率做一个验证。
假设验证集的ids已经保存，并已经导入。
那么下面直接从检查点载入最新的训练结果：
sess = tf.InteractiveSession()
saver = tf.train.Saver()
saver.restore(sess, tf.train.latest_checkpoint('models'))
由于验证数据是直接从ids读入的，所以调用上面的get_validate_batcher就可以传给 TensorFlow 做预测，并计算准确率。
iterations = 100
total = 0
for i in range(iterations):
print("i=", i, " ", end='')
nextBatch, nextBatchLabels = get_validate_batch()
print("Accuracy for this batch:", (sess.run(accuracy, {input_data: nextBatch, labels: nextBatchLabels})) * 100)
total += (sess.run(accuracy, {input_data: nextBatch, labels: nextBatchLabels})) * 100
print("Average Accuracy:", total / iterations)
可以看到，验证下来的准确率有接近 86%。
这是可以接受的。
毕竟，这个样本是 Twitter 上的发言，很多用户的留言本来就是情感信息不明确的，甚至有可能有些人会正话反说、妙用隐喻，那就对机器学习带来了极大的难度，对于这类涉及到人类情感的，我认为 90% 已经很高了。
当然，如果只是用来训练物品的，判断这是杯子还是猫，是狗还是车，那么，准确率达到 98% 也是不足为奇的。
当然，考虑到我们进行的是 3 分类，即 positive、negative 和 neutral。
如果我们进行 2 分类，效果会不会好一点？
从现实生活中的情况考虑，人类的情感是非常复杂的，无奈、气愤、平淡、伤心、兴奋、甚至一种难以言表的非常微妙的喜悦……
但是如果我们把问题简化成非黑即白的，也就是说，除非是我很能看出你是高兴的，那我把你认为是 positive 的（事实上这一点还是非常容易看出来的，一个人是非常高兴的），否则，一概认为是 negative 的。
尝试一下。
首先，将numClasses改成 2，然后把所有的 [1, 0, 0] 改成 [1, 0]，而所有的 [0, 1, 0] 和 [0, 0, 1] 都改成 [0, 1]。
再次学习，准确率接近 100%。
损失也非常小。
有部分异常点，这是显然的，因为毕竟存在大量的中立情绪，显然这个世界不是非黑即白的。
而这一结果，复现了《perform-sentiment-analysis-with-lstms-using-tensorflow》这篇论文中，对电影评级的训练准确度。
最后是处理测试的部分，由于测试部分没有标签，所以很多函数需要改。
但是改动的也很少，只要把所有与标签处理相关的部分去掉就可以了：
read_file就只需要依次读入，然后保存，不需要按标签分 3 个列表保存- 后面处理
ids的时候也只需要全部遍历计算，不需要分不同的标签 - 取
Batcher的时候只需要完全随机 - 最后得到结果，只需要找出最大值所在的下标，不需要与标签做比对计算准确率
这一部分的修改比较简单，这里就不给出代码了，可以去看我的完整代码。
此区域的内容需评论后可见
import numpy as np
wordsList = np.load(‘wordsList.npy’)
wordsList = wordsList.tolist()
wordsList = [word.decode(‘UTF-8’) for word in wordsList]
wordVectors = np.load(‘wordVectors.npy’)
报错ValueError: cannot reshape array of size 11232 into shape (400000,)
win10环境，请问是环境不对吗？有什么解决办法吗？
@eweq不知道为什么你的评论直接出现在了垃圾评论中……非常抱歉。
环境的问题应该可以排除，我刚才在 win10 和 centos7 都测试了，应该是没有问题的。看起来你下载的数据集只有 11232 个数据，似乎是没有下载完整。跟你确认一下文件的大小，wordsList.npy 为 26M，wordVectors.npy 为 76M，我稍后重新上传一次，麻烦你重新下载，看看是不是解决问题了。
最后，大佬交换友链嘛~~~
@凝神长老谢谢，我再试一下。我只是个新手，希望借这个项目实践一下。。
大佬愿意加我的友链当然会同意。
http://www.woria.xyz
@凝神长老您新上传的文件可以正常使用了，谢谢。
@eweq好的，加油。
請問中間是不是少了一個function沒放上去 ex: def cleanSentences():
@Seraph是的，这个 function 主要用来修剪句子，实现方法比较灵活，例如可以使用最简单的 trim() 等。文中 function 的 definition 如下：
import re strip_special_chars = re.compile("[^A-Za-z0-9 ]+") def clean_sentences(string): string = string.lower().replace("", " ") return re.sub(strip_special_chars, "", string.lower())
请问补0不会影响内容吗？
@茶风林丶不会。因为事实上的句子长度是不足n位的，为了补足n位就必须填充一个数字，而选择0作为填充的数字，这样补上的就只是一个占位符，不会引入额外的信息（例如不能补10、补无穷大），而由矩阵计算的性质可知，补0不会影响结果。
@凝神长老懂了，谢谢！
写的很用心，tensorboard用的也很熟悉，但我现在想先下词典和向量，
写的不错
tql