NSC

神经情绪分类

神经情绪分类旨在用神经模型将情感分类为文档，这一直是情感分类的最新方法。在这个项目中，我们提供了NSC，NSC+LA和NSC+UPA [Chen等，2016]的实现，其中通过对不同语义级别的关注来考虑用户和产品信息。

评估结果

对文档级别情感分类的评估结果。 ACC。（准确性）和RMSE是评估指标。

在上表中，[Tang等人，2015年]报道了包括多数，Trigram，TextFeature，UPF，AVGWORDVEC，AVGWORDVEC，SSWE，RNTN + RNN，段落向量，JMARS和UPNN在内的基线模型。

数据

我们在[下载]中提供了用于情感分类的IMDB，YELP13和YELP14数据集。该数据集应被解压缩并放入文件夹NSC/，NSC+LA/或NSC+UPA/。

我们准备原始数据，以使其满足代码的输入格式。原始数据集由论文[Tang等，2015]发布。 [下载]

在每个数据集（IMDB，yelp13，yelp14）上分别学习预训练的单词向量。

每个域中的数据集包含七个文件，使用以下格式：

• train.txt：培训文件，格式（UserId Productid类文档），由“ t”拆分。
• dev.txt：dev文件，与train.txt相同的格式。
• test.txt：测试文件，与train.txt相同的格式。
• WordList.txt：在预训练的单词向量中具有相同顺序的对应单词，每行1个。
• usrlist.txt：每个数据集中的用户ID，每行。
• prdlist.txt：每个数据集中的产品ID，每行。
• embinit.save：预训练的单词嵌入文件，该文件被保存为泡菜，可以从泡菜加载到numpy数组。

训练有素的模型可以在此链接上找到。

代码

各种模型的源代码都放在文件夹NSC/SRC，NSC+LA/SRC，NSC+UPA/SRC中。

火车

对于培训，您需要在每个模型的文件夹中键入以下命令：

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

其中数据集是相应的数据集文件夹，类是相应域的数量。

例如，我们在对IMDB文档进行分类时使用以下命令：

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

培训模型文件将保存在每个模型的文件夹模型/ BestModel中。

测试

对于测试，您需要在每个模型的文件夹src/中键入以下命令：

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

其中数据集是相应的数据集文件夹，类是相应域的数量。

例如，我们在对IMDB文档进行分类时使用以下命令：

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

报告准确性和RMSE的测试结果将显示在屏幕上。

引用

如果使用代码，请引用以下论文：

[Chen等，2016] Huimin Chen，Maosong Sun，Cunchao Tu，Yankai Lin和Zhiyuan Liu。神经情绪分类与用户和产品关注。在EMNLP的会议录中。[PDF]

参考

[Chen等，2016] Huimin Chen，Maosong Sun，Cunchao Tu，Yankai Lin和Zhiyuan Liu。神经情绪分类与用户和产品关注。在EMNLP的会议录中。[PDF]

[Tang等，2015] Duyu Tang，Bing Qin，Ting Liu。学习用户和产品的语义表示，以进行文档级别的情感分类。在EMNLP会议录中。