很多同學(xué)都對(duì)自然語(yǔ)言處理感興趣，但是卻不知道應(yīng)該從哪里下手。需要從構(gòu)建數(shù)據(jù)集到訓(xùn)練數(shù)據(jù)，再到測(cè)試數(shù)據(jù)，整個(gè)流程確實(shí)需要耐心的人才能成功走通。

不過現(xiàn)在有了paddlehub，我們可以先省略掉構(gòu)建數(shù)據(jù)集和訓(xùn)練數(shù)據(jù)這兩個(gè)步驟，直接拿模型過來分類。一旦簡(jiǎn)單版的分類成功了，你就會(huì)有動(dòng)力繼續(xù)前進(jìn)，繼續(xù)學(xué)習(xí)如何訓(xùn)練屬于自己的模型。

今天我們用paddlehub中比較簡(jiǎn)單的情感傾向分析模型 senta_lstm 來對(duì)文本做一個(gè)簡(jiǎn)單的積極和消極的分類。

1.準(zhǔn)備

為了實(shí)現(xiàn)這個(gè)實(shí)驗(yàn)，Python是必不可少的，如果你還沒有安裝Python，建議閱讀我們的這篇文章哦：超詳細(xì)Python安裝指南。

然后，我們需要安裝百度的paddlepaddle, 進(jìn)入他們的官方網(wǎng)站就有詳細(xì)的指引：
https://www.paddlepaddle.org.cn/install/quick

根據(jù)你自己的情況選擇這些選項(xiàng)，最后一個(gè)CUDA版本，由于本實(shí)驗(yàn)不需要訓(xùn)練數(shù)據(jù)，也不需要太大的計(jì)算量，所以直接選擇CPU版本即可。選擇完畢，下方會(huì)出現(xiàn)安裝指引，不得不說，Paddlepaddle這些方面做的還是比較貼心的（就是名字起的不好）。

不過雖然它里面寫了這么多，大部分人用一句話安裝，打開CMD(Win+R)或者Terminal(Command+空格搜索)輸入以下命令即可安裝：

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

還需要安裝paddlehub，這點(diǎn)別忘了：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub

2.編寫代碼

整個(gè)步驟分為三步：

1.加載模型
2.指定待分類文本
3.情感分類

就能得到以下結(jié)果：

{'text': '你長(zhǎng)得真好看', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9866, 'negative_probs': 0.0134}

{'text': '《黑色四葉草》是部不錯(cuò)的番', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9401, 'negative_probs': 0.0599}

其中:
1.sentiment_key?代表分類結(jié)果，postive是 積極 ，negative是 消極 。
2.sentiment_label?是分類結(jié)果標(biāo)簽，1代表 積極 ，0代表 消極 。
3.?positive_probs?是積極分類的置信度，0.9866即模型判斷98.66%的可能性是正面。
4.?negative_probs?與?positive_probs?相對(duì)，是消極分類的置信度。

3.結(jié)果分析

這么看，你會(huì)發(fā)現(xiàn)其實(shí)在有明顯的積極消極詞匯面前，這個(gè)模型的分類效果還是不錯(cuò)的。那在特殊的例子面前效果又如何呢？我們?nèi)ノ⒉╇S便取一條試一下，比如銀教授的段子：

分類結(jié)果：

{'text': '他們都網(wǎng)上辦公、網(wǎng)上學(xué)習(xí)了，你什么時(shí)候跟我網(wǎng)戀？', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0507, 'negative_probs': 0.9493}

竟然意外的分對(duì)了雖然是段子，但確實(shí)，明顯有對(duì)方不跟自己網(wǎng)戀的消極態(tài)度。

再試試有潛在含義的句子：

{'text': '不想說什么了，聽首歌吧。', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0321, 'negative_probs': 0.9679}

{'text': '我忘了世界還有一種人火星人，你從那來的吧。', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.7261, 'negative_probs': 0.2739}

第一句分對(duì)了，第二句沒分對(duì)。確實(shí)，第二句太隱晦了，機(jī)器可能分不出來。不過，置信度并不高，如果真的需要應(yīng)用這個(gè)模型，可以通過置信度過濾掉一些分類。

總的而言，這個(gè)模型效果還是不錯(cuò)的，在網(wǎng)上那么多情感分類開源的模型中，百度的這個(gè)應(yīng)該可以打80分左右。而且，它支持你自己做一些微調(diào)(Fine-tune)，也就是能夠使用自定義的訓(xùn)練集調(diào)整模型到你需要的樣子，詳見github：
https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/sentiment_classification

如果你喜歡今天的Python 教程，請(qǐng)持續(xù)關(guān)注菜鳥學(xué)Python，如果對(duì)你有幫助，麻煩在下面點(diǎn)一個(gè)贊/在看，歡迎來留言區(qū)點(diǎn)評(píng)指導(dǎo)工作！

推薦閱讀:
入門:?最全的零基礎(chǔ)學(xué)Python的問題? |?零基礎(chǔ)學(xué)了8個(gè)月的Python??|?實(shí)戰(zhàn)項(xiàng)目?|學(xué)Python就是這條捷徑

量化:?定投基金到底能賺多少錢？? |?我用Python對(duì)去年800只基金的數(shù)據(jù)分析??

干貨:爬取豆瓣短評(píng)，電影《后來的我們》?|?38年NBA最佳球員分析?|? ?從萬眾期待到口碑撲街！唐探3令人失望? |?笑看新倚天屠龍記?|?燈謎答題王?｜用Python做個(gè)海量小姐姐素描圖?｜碟中諜這么火，我用機(jī)器學(xué)習(xí)做個(gè)迷你推薦系統(tǒng)電影

趣味:彈球游戲? |?九宮格? |?漂亮的花?|?兩百行Python《天天酷跑》游戲!

AI:?會(huì)做詩(shī)的機(jī)器人?|?給圖片上色?|?預(yù)測(cè)收入?|?碟中諜這么火，我用機(jī)器學(xué)習(xí)做個(gè)迷你推薦系統(tǒng)電影

小工具:?Pdf轉(zhuǎn)Word，輕松搞定表格和水?。?/a>?|?一鍵把html網(wǎng)頁(yè)保存為pdf！|??再見PDF提取收費(fèi)！?|?用90行代碼打造最強(qiáng)PDF轉(zhuǎn)換器，word、PPT、excel、markdown、html一鍵轉(zhuǎn)換?|?制作一款釘釘?shù)蛢r(jià)機(jī)票提示器！?｜60行代碼做了一個(gè)語(yǔ)音壁紙切換器天天看小姐姐！｜

年度爆款文案
1).臥槽！Pdf轉(zhuǎn)Word用Python輕松搞定！
2).學(xué)Python真香！我用100行代碼做了個(gè)網(wǎng)站，幫人PS旅行圖片，賺個(gè)雞腿吃
3).首播過億，火爆全網(wǎng)，我分析了《乘風(fēng)破浪的姐姐》，發(fā)現(xiàn)了這些秘密?
4).80行代碼！用Python做一個(gè)哆來A夢(mèng)分身?
5).你必須掌握的20個(gè)python代碼，短小精悍，用處無窮?
6).30個(gè)Python奇淫技巧集?
7).我總結(jié)的80頁(yè)《菜鳥學(xué)Python精選干貨.pdf》,都是干貨?
8).再見Python！我要學(xué)Go了！2500字深度分析！
9).發(fā)現(xiàn)一個(gè)舔狗福利！這個(gè)Python爬蟲神器太爽了，自動(dòng)下載妹子圖片

點(diǎn)閱讀原文,領(lǐng)AI全套資料！