หน้าแรก>การเขียนโปรแกรมที่เกี่ยวข้อง>ซอร์สโค้ดอื่น ๆ
ดาวน์โหลด

การจำแนกความเชื่อมั่นของระบบประสาท

การจำแนกความเชื่อมั่นของระบบประสาทมีวัตถุประสงค์เพื่อจำแนกความเชื่อมั่นในเอกสารที่มีแบบจำลองระบบประสาทซึ่งเป็นวิธีการที่ทันสมัยสำหรับการจำแนกความเชื่อมั่น ในโครงการนี้เราให้การใช้งาน NSC, NSC+LA และ NSC+UPA [Chen et al., 2016] ซึ่งข้อมูลผู้ใช้และผลิตภัณฑ์ได้รับการพิจารณาผ่านความสนใจในระดับความหมายที่แตกต่างกัน

ผลการประเมินผล

ผลการประเมินผลเกี่ยวกับการจำแนกความเชื่อมั่นระดับเอกสาร ACC. (ความแม่นยำ) และ RMSE เป็นตัวชี้วัดการประเมินผล ภาพ

ในตารางข้างต้นโมเดลพื้นฐานรวมถึงส่วนใหญ่, trigram, textfeature, upf, avgwordvec, sswe, rntn + rnn, เวกเตอร์วรรค, JMARs และ UPNN มีการรายงานใน [Tang et al., 2015]

ข้อมูล

เราให้บริการชุดข้อมูล IMDB, Yelp13 และ Yelp14 ที่เราใช้สำหรับการจำแนกความเชื่อมั่นใน [ดาวน์โหลด] ชุดข้อมูลควรบีบอัดและใส่ในโฟลเดอร์ NSC/, NSC+LA/หรือ NSC+UPA/

เราเตรียมข้อมูลต้นฉบับไว้ล่วงหน้าเพื่อให้เป็นไปตามรูปแบบการป้อนข้อมูลของรหัสของเรา ชุดข้อมูลต้นฉบับถูกปล่อยออกมาจากกระดาษ [Tang et al., 2015] [ดาวน์โหลด]

เวกเตอร์คำที่ผ่านการฝึกอบรมมาก่อนจะได้รับการเรียนรู้ในแต่ละชุดข้อมูล (IMDB, Yelp13, Yelp14) แยกกัน

ชุดข้อมูลในแต่ละโดเมนมีเจ็ดไฟล์โดยใช้รูปแบบต่อไปนี้:

  • train.txt: ไฟล์การฝึกอบรมรูปแบบ (เอกสารคลาส UserId ProductId), แยกโดย ' t'
  • dev.txt: ไฟล์ dev, รูปแบบเดียวกับ train.txt
  • test.txt: ไฟล์ทดสอบรูปแบบเดียวกับ train.txt
  • WordList.txt: คำที่สอดคล้องกันที่มีลำดับเดียวกันในเวกเตอร์คำที่ผ่านการฝึกอบรมมาก่อนหนึ่งบรรทัด
  • usrlist.txt: รหัสผู้ใช้ในแต่ละชุดข้อมูลต่อบรรทัดเดียว
  • prdlist.txt: รหัสผลิตภัณฑ์ในแต่ละชุดข้อมูลต่อบรรทัดเดียว
  • Embinit.save: ไฟล์ฝังคำที่ผ่านการฝึกอบรมมาก่อนซึ่งถูกบันทึกเป็นดองและสามารถโหลดได้จากดองไปจนถึงอาร์เรย์ NumPy

รูปแบบที่ผ่านการฝึกอบรมสามารถพบได้ที่ลิงค์นี้

รหัส

ซอร์สโค้ดของรุ่นต่าง ๆ ถูกวางไว้ในโฟลเดอร์ NSC/SRC, NSC+LA/SRC, NSC+UPA/SRC

รถไฟ

สำหรับการฝึกอบรมคุณต้องพิมพ์คำสั่งต่อไปนี้ในโฟลเดอร์ SRC/ ของแต่ละรุ่น: 

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

โดยที่ ชุดข้อมูล คือโฟลเดอร์ชุดข้อมูลที่สอดคล้องกัน คลาส คือจำนวนโดเมนที่สอดคล้องกัน

ตัวอย่างเช่นเราใช้คำสั่งต่อไปนี้เมื่อคลาส FING เอกสาร IMDB: 

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

ไฟล์โมเดลการฝึกอบรมจะถูกบันทึกไว้ในโมเดลโฟลเดอร์/ BestModel/ ของแต่ละรุ่น

ทดสอบ

สำหรับการทดสอบคุณต้องพิมพ์คำสั่งต่อไปนี้ในโฟลเดอร์ SRC/ ของแต่ละรุ่น: 

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

โดยที่ ชุดข้อมูล คือโฟลเดอร์ชุดข้อมูลที่สอดคล้องกัน คลาส คือจำนวนโดเมนที่สอดคล้องกัน

ตัวอย่างเช่นเราใช้คำสั่งต่อไปนี้เมื่อคลาส FING เอกสาร IMDB: 

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

ผลการทดสอบซึ่งรายงานความแม่นยำและ RMSE จะแสดงในหน้าจอ

อ้างถึง

หากคุณใช้รหัสโปรดอ้างอิงกระดาษต่อไปนี้:

[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin และ Zhiyuan Liu การจำแนกความเชื่อมั่นของระบบประสาทพร้อมกับความสนใจของผู้ใช้และผลิตภัณฑ์ ในการดำเนินการของ EMNLP [PDF]

อ้างอิง

[Chen et al., 2016] Huimin Chen, Maosong Sun, Cunchao Tu, Yankai Lin และ Zhiyuan Liu การจำแนกความเชื่อมั่นของระบบประสาทพร้อมกับความสนใจของผู้ใช้และผลิตภัณฑ์ ในการดำเนินการของ EMNLP [PDF]

[Tang et al., 2015] Duyu Tang, Bing Qin, Ting Liu การเรียนรู้การเป็นตัวแทนความหมายของผู้ใช้และผลิตภัณฑ์สำหรับการจำแนกระดับความเชื่อมั่นระดับเอกสาร ในการดำเนินการของ EMNLP

ขยาย
ข้อมูลเพิ่มเติม
แอปที่เกี่ยวข้อง
แนะนำสำหรับคุณ
ข้อมูลที่เกี่ยวข้อง ทั้งหมด