如何用 Python 和機器學習訓練中文文本情感分類模型？

本文首發於知乎專欄「玉樹芝蘭」，AI 研習社已獲得作者王樹義轉載授權。

利用Python機器學習框架scikit-learn，我們自己做一個分類模型，對中文評論信息做情感分析。其中還會介紹中文停用詞的處理方法。

疑惑

前些日子，我在微信後台收到了一則讀者的留言。

我一下子有些懵——這怎麼還帶點播了呢？

但是旋即我醒悟過來，好像是我自己之前挖了個坑。

之前我寫過《如何用Python從海量文本抽取主題？》一文，其中有這麼一段：

為了演示的流暢，我們這裡忽略了許多細節。很多內容使用的是預置默認參數，而且完全忽略了中文停用詞設置環節，因此「這個」、「如果」、「可能」、「就是」這樣的停用詞才會大搖大擺地出現在結果中。不過沒有關係，完成比完美重要得多。知道了問題所在，後面改進起來很容易。有機會我會寫文章介紹如何加入中文停用詞的去除環節。

根據「自己挖坑自己填」的法則，我決定把這一部分寫出來。

我可以使用偷懶的辦法。

例如在原先的教程里，更新中文停用詞處理部分，打個補丁。

但是，最近我發現，好像至今為止，我們的教程從來沒有介紹過如何用機器學習做情感分析。

你可能說，不對吧？

情感分析不是講過了嗎？老師你好像講過《如何用Python做情感分析？》，《如何用Python做輿情時間序列可視化？》和《如何用Python和R對《權力的遊戲》故事情節做情緒分析？》。

你記得真清楚，提出表揚。

但是請注意，之前這幾篇文章中，並沒有使用機器學習方法。我們只不過調用了第三方提供的文本情感分析工具而已。

但是問題來了，這些第三方工具是在別的數據集上面訓練出來的，未必適合你的應用場景。

例如有些情感分析工具更適合分析新聞，有的更善於處理微博數據……你拿過來，卻是要對店鋪評論信息做分析。

這就如同你自己筆記本電腦里的網頁瀏覽器，和圖書館電子閱覽室的網頁瀏覽器，可能類型、版本完全一樣。但是你用起自己的瀏覽器，就是比公用電腦上的舒服、高效——因為你已經根據偏好，對自己瀏覽器上的「書籤」、「密碼存儲」、「稍後閱讀」都做了個性化設置。

咱們這篇文章，就給你講講如何利用Python和機器學習，自己訓練模型，對中文評論數據做情感分類。

我的一個學生，利用爬蟲抓取了大眾點評網站上的數萬條餐廳評論數據。

這些數據在爬取時，包含了豐富的元數據類型。

我從中抽取了評論文本和評星（1-5星），用於本文的演示。

從這些數據里，我們隨機篩選評星為1，2，4，5的，各500條評論數據。一共2000條。

為什麼只甩下評星數量為3的沒有選擇？

你先思考10秒鐘，然後往下看，核對答案。

答案是這樣的：

因為我們只希望對情感做出（正和負）二元分類，4和5星可以看作正向情感，1和2是負向情感……3怎麼算？

所以，為了避免這種邊界不清晰造成的混淆，咱們只好把標為3星的內容丟棄掉了。

整理好之後的評論數據，如下圖所示。

我已經把數據放到了演示文件夾壓縮包裡面。後文會給你提供下載路徑。

模型

使用機器學習的時候，你會遇到模型的選擇問題。

例如，許多模型都可以用來處理分類問題。邏輯回歸、決策樹、SVM、樸素貝葉斯……具體到咱們的評論信息情感分類問題，該用哪一種呢？

幸好，Python上的機器學習工具包 scikit-learn 不僅給我們提供了方便的介面，供我們調用，而且還非常貼心地幫我們做了小抄（cheat-sheet）。

這張圖看似密密麻麻，非常混亂，實際上是一個非常好的迷宮指南。其中綠色的方框，是各種機器學習模型。而藍色的圓圈，是你做判斷的地方。

你看，咱們要處理類別問題，對吧？

順著往下看，會要求你判斷數據是否有標記。我們有啊。

繼續往下走，數據小於100K嗎？

考慮一下，我們的數據有2000條，小於這個閾值。

接下來問是不是文本數據？是啊。

於是路徑到了終點。

Scikit-learn告訴我們：用樸素貝葉斯模型好了。

小抄都做得如此照顧用戶需求，你對scikit-learn的品質應該有個預期了吧？如果你需要使用經典機器學習模型（你可以理解成深度學習之外的所有模型），我推薦你先嘗試scikit-learn 。

向量化

《如何用Python從海量文本抽取主題？》一文里，我們講過自然語言處理時的向量化。

忘了？

沒關係。

子曰：

學而時習之，不亦樂乎？

這裡咱們複習一下。

對自然語言文本做向量化（vectorization）的主要原因，是計算機看不懂自然語言。

計算機，顧名思義，就是用來算數的。文本對於它（至少到今天）沒有真正的意義。

但是自然語言的處理，是一個重要問題，也需要自動化的支持。因此人就得想辦法，讓機器能盡量理解和表示人類的語言。

假如這裡有兩句話：

I love the game.

I hate the game.

那麼我們就可以簡單粗暴地抽取出以下特徵（其實就是把所有的單詞都羅列一遍）：

I

love

hate

the

game

對每一句話，都分別計算特徵出現個數。於是上面兩句話就轉換為以下表格：

按照句子為單位，從左到右讀數字，第一句表示為[1, 1, 0, 1, 1]，第二句就成了[1, 0, 1, 1, 1]。

這就叫向量化。

這個例子裡面，特徵的數量叫做維度。於是向量化之後的這兩句話，都有5個維度。

你一定要記住，此時機器依然不能理解兩句話的具體含義。但是它已經盡量在用一種有意義的方式來表達它們。

注意這裡我們使用的，叫做「一袋子詞」（bag of words）模型。

下面這張圖（來自 ~https://goo.gl/2jJ9Kp~），形象化表示出這個模型的含義。

一袋子詞模型不考慮詞語的出現順序，也不考慮詞語和前後詞語之間的連接。每個詞都被當作一個獨立的特徵來看待。

你可能會問：「這樣不是很不精確嗎？充分考慮順序和上下文聯繫，不是更好嗎？」

沒錯，你對文本的順序、結構考慮得越周全，模型可以獲得的信息就越多。

但是，凡事都有成本。只需要用基礎的排列組合知識，你就能計算出獨立考慮單詞，和考慮連續n個詞語（稱作 n-gram），造成的模型維度差異了。

為了簡單起見，咱們這裡還是先用一袋子詞吧。有空我再給你講講……

打住，不能再挖坑了。

中文

上一節咱們介紹的，是自然語言向量化處理的通則。

處理中文的時候，要更加麻煩一些。

因為不同於英文、法文等拉丁語系文字，中文天然沒有空格作為詞語之間的分割符號。

我們要先將中文分割成空格連接的詞語。

例如把：

「我喜歡這個遊戲」

變成：

「我 喜歡 這個 遊戲」

這樣一來，就可以仿照英文句子的向量化，來做中文的向量化了。

你可能擔心計算機處理起中文的詞語，跟處理英文詞語有所不同。

這種擔心沒必要。

因為咱們前面講過，計算機其實連英文單詞也看不懂。

在它眼裡，不論什麼自然語言的辭彙，都只是某種特定組合的字元串而已。

不論處理中文還是英文，都需要處理的一種辭彙，叫做停用詞。

中文維基百科裡，是這麼定義停用詞的：

在信息檢索中，為節省存儲空間和提高搜索效率，在處理自然語言數據（或文本）之前或之後會自動過濾掉某些字或詞，這些字或詞即被稱為Stop Words(停用詞)。

咱們做的，不是信息檢索，而已文本分類。

對咱們來說，你不打算拿它做特徵的單詞，就可以當作停用詞。

還是舉剛才英文的例子，下面兩句話：

I love the game.

I hate the game.

告訴我，哪些是停用詞？

直覺會告訴你，定冠詞 the 應該是。

沒錯，它是虛詞，沒有什麼特殊意義。

它在哪兒出現，都是一個意思。

一段文字里，出現很多次定冠詞都很正常。把它和那些包含信息更豐富的辭彙（例如love, hate）放在一起統計，就容易干擾我們把握文本的特徵。

所以，咱們把它當作停用詞，從特徵裡面剔除出去。

舉一反三，你會發現分詞後的中文語句：

「我 喜歡 這個 遊戲」

其中的「這個」應該也是停用詞吧？

答對了！

要處理停用詞，怎麼辦呢？當然你可以一個個手工來尋找，但是那顯然效率太低。

有的機構或者團隊處理過許多停用詞。他們會發現，某種語言里，停用詞是有規律的。

他們把常見的停用詞總結出來，彙集成表格。以後只需要查表格，做處理，就可以利用先前的經驗和知識，提升效率，節約時間。

在scikit-learn中，英語停用詞是自帶的。只需要指定語言為英文，機器會幫助你自動處理它們。

但是中文……

scikit-learn開發團隊里，大概缺少足夠多的中文使用者吧。

好消息是，你可以使用第三方共享的停用詞表。

這種停用詞表到哪裡下載呢？

我已經幫你找到了一個 github 項目，裡面包含了4種停用詞表，來自哈工大、四川大學和百度等自然語言處理方面的權威單位。

這幾個停用詞表文件長度不同，內容也差異很大。為了演示的方便與一致性，咱們統一先用哈工大這個停用詞表吧。

我已經將其一併存儲到了演示目錄壓縮包中，供你下載。

# 環境

請你先到這個網址下載本教程配套的壓縮包。

下載後解壓，你會在生成的目錄裡面看到以下4個文件。

下文中，我們會把這個目錄稱為「演示目錄」。

請一定注意記好它的位置哦。

要裝Python，最簡便辦法是安裝Anaconda套裝。

請到這個網址下載Anaconda的最新版本。

請選擇左側的 Python 3.6 版本下載安裝。

如果你需要具體的步驟指導，或者想知道Windows平台如何安裝並運行Anaconda命令，請參考我為你準備的視頻教程。

打開終端，用cd命令進入演示目錄。如果你不了解具體使用方法，也可以參考視頻教程。

我們需要使用許多軟體包。如果每一個都手動安裝，會非常麻煩。

我幫你做了個虛擬環境的配置文件，叫做environment.yaml ，也放在演示目錄中。

請你首先執行以下命令：

conda env create -f environment.yaml

這樣，所需的軟體包就一次性安裝完畢了。

之後執行，

source activate datapy3

進入這個虛擬環境。

注意一定要執行下面這句：

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

只有這樣，當前的Python環境才會作為核心（kernel）在系統中註冊。

確認你的電腦上已經安裝了 Google Chrome 瀏覽器。如果沒有安裝請到這裡下載安裝。

之後，在演示目錄中，我們執行：

jupyter notebook

Google Chrome會開啟，並啟動 Jupyter 筆記本界面：

你可以直接點擊文件列表中的demo.ipynb文件，可以看到本教程的全部示例代碼。

你可以一邊看教程的講解，一邊依次執行這些代碼。

但是，我建議的方法，是回到主界面下，新建一個新的空白 Python 3 （顯示名稱為datapy3的那個）筆記本。

請跟著教程，一個個字元輸入相應的內容。這可以幫助你更為深刻地理解代碼的含義，更高效地把技能內化。

準備工作結束，下面我們開始正式輸入代碼。

代碼

我們讀入數據框處理工具pandas。

import pandas as pd

利用pandas的csv讀取功能，把數據讀入。

注意為了與Excel和系統環境設置的兼容性，該csv數據文件採用的編碼為GB18030。這裡需要顯式指定，否則會報錯。

df = pd.read_csv("data.csv", encoding="gb18030")

我們看看讀入是否正確。

df.head()

前5行內容如下：

看看數據框整體的形狀是怎麼樣的：

df.shape(2000, 2)

我們的數據一共2000行，2列。完整讀入。

我們並不准備把情感分析的結果分成4個類別。我們只打算分成正向和負向。

這裡我們用一個無名函數來把評星數量>3的，當成正向情感，取值為1；反之視作負向情感，取值為0。

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

編製好函數之後，我們實際運行在數據框上面。

make_label(df)

看看結果：

df.head()

從前5行看來，情感取值就是根據我們設定的規則，從評星數量轉化而來。

下面我們把特徵和標籤拆開。

X = df[["comment"]]y = df.sentiment

X 是我們的全部特徵。因為我們只用文本判斷情感，所以X實際上只有1列。

X.shape(2000, 1)

而y是對應的標記數據。它也是只有1列。

y.shape(2000,)

我們來看看 X 的前幾行數據。

X.head()

注意這裡評論數據還是原始信息。詞語沒有進行拆分。

為了做特徵向量化，下面我們利用結巴分詞工具來拆分句子為詞語。

import jieba

我們建立一個輔助函數，把結巴分詞的結果用空格連接。

這樣分詞後的結果就如同一個英文句子一樣，單次之間依靠空格分割。

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

有了這個函數，我們就可以使用 apply 命令，把每一行的評論數據都進行分詞。

X["cutted_comment"] = X.comment.apply(chinese_word_cut)

我們看看分詞後的效果：

X.cutted_comment[:5]

單詞和標點之間都用空格分割，符合我們的要求。

下面就是機器學習的常規步驟了：我們需要把數據分成訓練集和測試集。

為什麼要拆分數據集合？

在《貸還是不貸：如何用Python和機器學習幫你決策？》一文中，我已解釋過，這裡複習一下：

如果期末考試之前，老師給你一套試題和答案，你把它背了下來。然後考試的時候，只是從那套試題裡面抽取一部分考。你憑藉超人的記憶力獲得了100分。請問你學會了這門課的知識了嗎？不知道如果給你新的題目，你會不會做呢？答案還是不知道。所以考試題目需要和複習題目有區別。

同樣的道理，假設咱們的模型只在某個數據集上訓練，準確度非常高，但是從來沒有見過其他新數據，那麼它面對新數據表現如何呢？

你心裡也沒底吧？

所以我們需要把數據集拆開，只在訓練集上訓練。保留測試集先不用，作為考試題，看模型經過訓練後的分類效果。

from sklearn.model_selection import train_test_splitX_train, X_test, y_train, y_test = train_test_split(X, y, random_state=1)

這裡，我們設定了 random_state 取值，這是為了在不同環境中，保證隨機數取值一致，以便驗證咱們模型的實際效果。

我們看看此時的 X_train 數據集形狀。

X_train.shape(1500, 2)

可見，在默認模式下，train_test_split函數對訓練集和測試集的劃分比例為 3:1。

我們檢驗一下其他3個集合看看：

y_train.shape(1500,)X_test.shape(500, 2)y_test.shape(500,)

同樣都正確無誤。

下面我們就要處理中文停用詞了。

我們編寫一個函數，從中文停用詞表裡面，把停用詞作為列表格式保存並返回：

def get_custom_stopwords(stop_words_file): with open(stop_words_file) as f: stopwords = f.read() stopwords_list = stopwords.split("
") custom_stopwords_list = [i for i in stopwords_list] return custom_stopwords_list

我們指定使用的停用詞表，為我們已經下載保存好的哈工大停用詞表文件。

stop_words_file = "stopwordsHIT.txt"stopwords = get_custom_stopwords(stop_words_file)

看看我們的停用詞列表的後10項：

stopwords[-10:]

這些大部分都是語氣助詞，作為停用詞去除掉，不會影響到語句的實質含義。

下面我們就要嘗試對分詞後的中文語句做向量化了。

我們讀入CountVectorizer向量化工具，它依據詞語出現頻率轉化向量。

from sklearn.feature_extraction.text import CountVectorizer

我們建立一個CountVectorizer()的實例，起名叫做vect。

注意這裡為了說明停用詞的作用。我們先使用默認參數建立vect。

vect = CountVectorizer()

然後我們用向量化工具轉換已經分詞的訓練集語句，並且將其轉化為一個數據框，起名為term_matrix。

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

我們看看term_matrix的前5行：

term_matrix.head()

我們注意到，特徵詞語五花八門，特別是很多數字都被當作特徵放在了這裡。

term_matrix的形狀如下：

term_matrix.shape(1500, 7305)

行數沒錯，列數就是特徵個數，有7305個。

下面我們測試一下，加上停用詞去除功能，特徵向量的轉化結果會有什麼變化。

vect = CountVectorizer(stop_words=frozenset(stopwords))

下面的語句跟剛才一樣：

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())term_matrix.head()

可以看到，此時特徵個數從剛才的7305個，降低為7144個。我們沒有調整任何其他的參數，因此減少的161個特徵，就是出現在停用詞表中的單詞。

但是，這種停用詞表的寫法，依然會漏掉不少漏網之魚。

首先就是前面那一堆顯眼的數字。它們在此處作為特徵毫無道理。如果沒有單位，沒有上下文，數字都是沒有意義的。

因此我們需要設定，數字不能作為特徵。

在Python裡面，我們可以設定token_pattern來完成這個目標。

這一部分需要用到正則表達式的知識，我們這裡無法詳細展開了。

但如果你只是需要去掉數字作為特徵的話，按照我這樣寫，就可以了。

另一個問題在於，我們看到這個矩陣，實際上是個非常稀疏的矩陣，其中大部分的取值都是0.

這沒有關係，也很正常。

畢竟大部分評論語句當中只有幾個到幾十個詞語而已。7000多的特徵，單個語句顯然是覆蓋不過來的。

然而，有些辭彙作為特徵，就值得注意了。

首先是那些過於普遍的辭彙。儘管我們用了停用詞表，但是難免有些辭彙幾乎出現在每一句評論里。什麼叫做特徵？特徵就是可以把一個事物與其他事物區別開的屬性。

假設讓你描述今天見到的印象最深刻的人。你怎麼描述？

我看見他穿著小丑的衣服，在繁華的商業街踩高蹺，一邊走還一邊拋球，和路人打招呼。

還是……

我看見他有兩隻眼睛，一隻鼻子。

後者絕對不算是好的特徵描述，因為難以把你要描述的個體區分出來。

物極必反，那些過於特殊的辭彙，其實也不應該保留。因為你了解了這個特徵之後，對你的模型處理新的語句情感判斷，幾乎都用不上。

這就如同你跟著神仙學了屠龍之術，然而之後一輩子也沒有見過龍……

所以，如下面兩個代碼段所示，我們一共多設置了3層特徵辭彙過濾。

max_df = 0.8 # 在超過這一比例的文檔中出現的關鍵詞（過於平凡），去除掉。min_df = 3 # 在低於這一數量的文檔中出現的關鍵詞（過於獨特），去除掉。vect = CountVectorizer(max_df = max_df, min_df = min_df, token_pattern=u"(?u)\b[^\d\W]\w+\b", stop_words=frozenset(stopwords))

這時候，再運行我們之前的語句，看看效果。

term_matrix = pd.DataFrame(vect.fit_transform(X_train.cutted_comment).toarray(), columns=vect.get_feature_names())term_matrix.head()

可以看到，那些數字全都不見了。特徵數量從單一詞表法去除停用詞之後的7144個，變成了1864個。

你可能會覺得，太可惜了吧？好容易分出來的詞，就這麼扔了？

要知道，特徵多，絕不一定是好事兒。

尤其是雜訊大量混入時，會顯著影響你模型的效能。

好了，評論數據訓練集已經特徵向量化了。下面我們要利用生成的特徵矩陣來訓練模型了。

我們的分類模型，採用樸素貝葉斯（Multinomial naive bayes）。

from sklearn.naive_bayes import MultinomialNBnb = MultinomialNB()

注意我們的數據處理流程是這樣的：

特徵向量化；

樸素貝葉斯分類。

如果每次修改一個參數，或者換用測試集，我們都需要重新運行這麼多的函數，肯定是一件效率不高，且令人頭疼的事兒。而且只要一複雜，出現錯誤的幾率就會增加。

幸好，Scikit-learn給我們提供了一個功能，叫做管道(pipeline)，可以方便解決這個問題。

它可以幫助我們，把這些順序工作連接起來，隱藏其中的功能順序關聯，從外部一次調用，就能完成順序定義的全部工作。

使用很簡單，我們就把 vect 和 nb 串聯起來，叫做pipe。

from sklearn.pipeline import make_pipelinepipe = make_pipeline(vect, nb)

看看它都包含什麼步驟：

pipe.steps

看，我們剛才做的工作，都在管道裡面了。我們可以把管道當成一個整體模型來調用。

下面一行語句，就可以把未經特徵向量化的訓練集內容輸入，做交叉驗證，算出模型分類準確率的均值。

from sklearn.cross_validation import cross_val_scorecross_val_score(pipe, X_train.cutted_comment, y_train, cv=5, scoring="accuracy").mean()

咱們的模型在訓練中的準確率如何呢？

這個結果，還是不錯的。

回憶一下，總體的正向和負向情感，各佔了數據集的一半。

如果我們建立一個「笨模型」（dummy model），即所有的評論，都當成正向（或者負向）情感，準確率多少？

對，50%。

目前的模型準確率，遠遠超出這個數值。超出的這30%多，其實就是評論信息為模型帶來的確定性。

但是，不要忘了，我們不能光拿訓練集來說事兒，對吧？下面咱們給模型來個考試。

我們用訓練集，把模型擬合出來。

pipe.fit(X_train.cutted_comment, y_train)

然後，我們在測試集上，對情感分類標記進行預測。

pipe.predict(X_test.cutted_comment)

這一大串0和1，你看得是否眼花繚亂？

沒關係，scikit-learn給我們提供了非常多的模型性能測度工具。

我們先把預測結果保存到y_pred。

y_pred = pipe.predict(X_test.cutted_comment)

讀入 scikit-learn 的測量工具集。

from sklearn import metrics

我們先來看看測試準確率：

metrics.accuracy_score(y_test, y_pred)0.86

這個結果是不是讓你很吃驚？沒錯，模型面對沒有見到的數據，居然有如此高的情感分類準確性。

對於分類問題，光看準確率有些不全面，咱們來看看混淆矩陣。

metrics.confusion_matrix(y_test, y_pred)array([[194, 43], [ 27, 236]])

混淆矩陣中的4個數字，分別代表：

TP: 本來是正向，預測也是正向的；

FP: 本來是負向，預測卻是正向的；

FN: 本來是正向，預測卻是負向的；

TN: 本來是負向，預測也是負向的。

下面這張圖（來自https://goo.gl/5cYGZd）應該能讓你更為清晰理解混淆矩陣的含義：

寫到這兒，你大概能明白咱們模型的性能了。

但是總不能只把咱們訓練出的模型和無腦「笨模型」去對比吧？這也太不公平了！

下面，我們把老朋友 SnowNLP 呼喚出來，做個對比。

如果你把它給忘了，請複習《如何用Python做情感分析？》

from snownlp import SnowNLPdef get_sentiment(text): return SnowNLP(text).sentiments

我們利用測試集評論原始數據，讓 SnowNLP 跑一遍，獲得結果。

y_pred_snownlp = X_test.comment.apply(get_sentiment)

注意這裡有個小問題。 SnowNLP 生成的結果，不是0和1，而是0到1之間的小數。所以我們需要做一步轉換，把0.5以上的結果當作正向，其餘當作負向。

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

看看轉換後的前5條 SnowNLP 預測結果：

y_pred_snownlp_normalized[:5]

好了，符合我們的要求。

下面我們先看模型分類準確率：

metrics.accuracy_score(y_test, y_pred_snownlp_normalized)0.77

與之對比，咱們的測試集分類準確率，可是0.86哦。

我們再來看看混淆矩陣。

metrics.confusion_matrix(y_test, y_pred_snownlp_normalized)array([[189, 48], [ 67, 196]])

對比的結果，是 TP 和 TN 兩項上，咱們的模型判斷正確數量，都要超出 SnowNLP。

小結

回顧一下，本文介紹了以下知識點：

如何用一袋子詞（bag of words）模型將自然語言語句向量化，形成特徵矩陣；

如何利用停用詞表、詞頻閾值和標記模式(token pattern)移除不想乾的偽特徵辭彙，降低模型複雜度。

如何選用合適的機器學習分類模型，對詞語特徵矩陣做出分類；

如何用管道模式，歸併和簡化機器學習步驟流程；

如何選擇合適的性能測度工具，對模型的效能進行評估和對比。

希望這些內容能夠幫助你更高效地處理中文文本情感分類工作。

討論

你之前用機器學習做過中文情感分類項目嗎？你是如何去除停用詞的？你使用的分類模型是哪個？獲得的準確率怎麼樣？歡迎留言，把你的經驗和思考分享給大家，我們一起交流討論。

如果本文可能對你身邊的親友有幫助，也歡迎你把本文通過微博或朋友圈分享給他們。讓他們一起參與到我們的討論中來。

限時拼團

3大模塊，30個課時

高校數學系教授帶班

100%學員好評

與100+同學一起夯實數學基礎，走穩機器學習入門第一步！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！