基于PaddleHub预训练模型Senta完成的情感分析

科技前沿 • 2025-04-06 16:40 • 阅读 25

大家好，我是讯享网，很高兴认识大家。

情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度，能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。（此其实就是一个二分类问题）

一、定义待预测数据

以”这家餐厅很不错“，”这部电影真的很差“为例，展示如何如何使用Senta进行情感分析。

安装paddkehub：

pip install paddlehub==1.6.2 -i https://pypi.tuna.tsinghua.edu.cn/simple

讯享网

建立预测要求形式：

讯享网test_text = ["这家餐厅很好", "这部电影真的很差"]

预览形式：

cat test.txt

若是文档，用此代码即可变成目标列表形式（将文件内容存成list，list中每个元素是待预测句子）：

讯享网

讯享网with open("test.txt", 'r') as f: test_text = [] for line in f: test_text.append(line.strip()) print(test_text)

二、加载预训练模型

Senta开源了一系列：
BOW模型
CNN模型
GRU模型
LSTM模型
Bi-LSTM模型

以Bi-LSTM为例：

import paddlehub as hub senta = hub.Module(name="senta_bilstm")

如果想尝试其他模型，只需要更换Module中的name参数即可.

模型名	PaddleHub Module
BOW	`hub.Module(name='senta_bow')`
CNN	`hub.Module(name='senta_cnn')`
GRU	`hub.Module(name='senta_gru')`
LSTM	`hub.Module(name='senta_lstm')`
Bi-LSTM	`hub.Module(name='senta_bistm')`

三、预测

讯享网input_dict = { 
   "text": test_text} results = senta.sentiment_classify(data=input_dict) for result in results: print(result)

输出结果示例：

{‘text’: ‘这家餐厅很好吃’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9407, ‘negative_probs’: 0.0593}
{‘text’: ‘这部电影真的很差劲’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.02, ‘negative_probs’: 0.98}
{‘text’: ‘我真的很喜欢你’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9831, ‘negative_probs’: 0.0169}
{‘text’: ‘你讨厌我吗’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.0242, ‘negative_probs’: 0.9758}
{‘text’: ‘哈哈哈’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9536, ‘negative_probs’: 0.0464}
{‘text’: ‘嘿嘿嘿’, ‘sentiment_label’: 1, ‘sentiment_key’: ‘positive’, ‘positive_probs’: 0.9273, ‘negative_probs’: 0.0727}
{‘text’: ‘您好，为啥我这个衣服刚到，扣子就掉了’, ‘sentiment_label’: 0, ‘sentiment_key’: ‘negative’, ‘positive_probs’: 0.1121, ‘negative_probs’: 0.8879}

其中输出参数表示：
sentiment_label：情绪标签
sentiment_key：情绪键
positive_probs：积极概率
negative_probs：消极概率

基于PaddleHub预训练模型Senta完成的情感分析

一、定义待预测数据

二、加载预训练模型

三、预测

相关推荐