NSC

Классификация нейронных настроений

Классификация нейронных настроений направлена ​​на классификацию настроений в документе с нейронными моделями, который был самыми современными методами классификации настроений. В этом проекте мы предоставляем наши реализации NSC, NSC+LA и NSC+UPA [Chen et al., 2016], в которых информация о пользователе и продукте рассматривается через внимание на разных семантических уровнях.

Результаты оценки

Результаты оценки по классификации настроений на уровне документов. Acc. (Точность) и RMSE являются показателями оценки.

В вышеупомянутой таблице базовые модели, включая большинство, триграмму, текстовую обработку, UPF, AVGWORDVEC, SSWE, RNTN + RNN, Paragraph Vector, JMARS и UPNN, представлены в [Tang et al., 2015].

Данные

Мы предоставляем наборы данных IMDB, YELP13 и YELP14, которые мы использовали для классификации настроений в [загрузке]. Набор данных должен быть декомпрессирован и помещать в папку NSC/, NSC+LA/или NSC+UPA/.

Мы предварительно предпринимаем исходные данные, чтобы они удовлетворили входной формат наших кодов. Оригинальные наборы данных выпускаются в статье [Tang et al., 2015]. [Скачать]

Предварительно обученные векторы Word изучаются в каждом наборе данных (IMDB, Yelp13, Yelp14) отдельно.

Набор данных в каждом домене содержит семь файлов, используя следующий формат:

• train.txt: обучающий файл, формат (документ пользователя Id ProductId Crass), разделен на ' t'.
• dev.txt: dev файл, тот же формат, что и train.txt.
• test.txt: тестовый файл, тот же формат, что и train.txt.
• wordlist.txt: соответствующие слова с той же последовательности в предварительно обученных векторах слов, по одному на строку.
• usrlist.txt: идентификаторы пользователей в каждом наборе данных, согласно одной строке.
• prdlist.txt: идентификаторы продукта в каждом наборе данных, согласно одной строке.
• Embinit.Save: предварительно обученный файл встраивания слов, который сохраняется как рассол и может быть загружен с массивов массивов.

Обученную модель можно найти по этой ссылке.

Коды

Исходные коды различных моделей помещаются в папки NSC/SRC, NSC+LA/SRC, NSC+UPA/SRC.

Тренироваться

Для обучения вам нужно ввести следующую команду в папке SRC/ каждой модели:

 THEANO_FLAGS="floatX=float32,device=gpu" python train.py $dataset $class

Где набор данных является соответствующей папкой набора данных, класс - это количество соответствующего домена.

Например, мы используем следующую команду при классе документа IMDB:

 THEANO_FLAGS="floatX=float32,device=gpu" python train.py IMDB 10

Файл обучающей модели будет сохранен в модели папки/ BestModel/ каждой модели.

Тест

Для тестирования вам нужно ввести следующую команду в папке SRC/ каждой модели:

 THEANO_FLAGS="floatX=float32,device=gpu" python test.py $dataset $class

Где набор данных является соответствующей папкой набора данных, класс - это количество соответствующего домена.

Например, мы используем следующую команду при классе документа IMDB:

 THEANO_FLAGS="floatX=float32,device=gpu" python test.py IMDB 10

Результат тестирования, который сообщает, что точность и RMSE будут показаны на экране.

Цитировать

Если вы используете код, указать следующую статью:

[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin и Zhiyuan Liu. Классификация нейронных настроений с вниманием пользователя и продукта. В материалах EMNLP. [PDF]

Ссылка

[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin и Zhiyuan Liu. Классификация нейронных настроений с вниманием пользователя и продукта. В материалах EMNLP. [PDF]

[Tang et al., 2015] Duyu Tang, Bing Qin, Ting Liu. Изучение семантических представлений пользователей и продуктов для классификации настроений на уровень документов. В материалах EMNLP.