code.zip

code.zip

import numpy as np
import tensorflow as tf
import random
from collections import Counter
from nltk.tokenize import word_tokenize
“““
‘I‘m super man‘
tokenize:
[‘I‘ ‘‘m‘ ‘super‘‘man‘ ] 
“““
from nltk.stem import WordNetLemmatizer
“““
词形还原（lemmatizer），即把一个任何形式的英语单词还原到一般形式，与词根还原不同（stemmer），后者是抽取一个单词的词根。
“““
 
pos_file = ‘pos.txt‘
neg_file = ‘neg.txt‘
 
# 创建词汇表
def create_lexicon（pos_file neg_file）:
	lex = []
	# 读取文件
	def process_file（f）:
		with open（pos_file ‘r‘errors=‘ignore‘） as f:
			lex = []
			lines = f.readlines（）
			for line in lines:
				words = word_tokenize（line.lower（））
				lex += words
			return lex
 
	lex += process_file（pos_file）
	lex += process_file（neg_file）

	lemmatizer = WordNetLemmatizer（）
	lex = [lemmatizer.lemmatize（word） for word in lex] # 词形还原 （cats->cat）
 
	word_count = Counter（lex）
	#print（word_count）
	# {‘.‘: 13944 ‘‘: 10536 ‘the‘: 10120 ‘a‘: 9444 ‘and‘: 7108 ‘of‘: 6624 ‘it‘: 4748 ‘to‘: 3940......}
	# 去掉一些常用词像thea and等等，和一些不常用词; 这些词对判断一个评论是正面还是负面没有做任何贡献
	lex = []
	for word in word_count:
		if word_count[word] < 1000 and word_count[word] > 9:  # 这写死了，好像能用百分比
			lex.append（word）        # 齐普夫定律-使用Python验证文本的Zipf分布 http://blog.topspeedsnail.com/archives/9546
	return lex
 
lex = create_lexicon（pos_file neg_file）
#lex里保存了文本中出现过的单词。
 
# 把每条评论转换为向量 转换原理：
# 假设lex为[‘woman‘ ‘great‘ ‘feel‘ ‘actually‘ ‘looking‘ ‘latest‘ ‘seen‘ ‘is‘] 当然实际上要大的多
# 评论‘i think this movie is great‘ 转换为 [01000001] 把评论中出现的字在lex中标记，出现过的标记为1，其余标记为0
def normalize_dataset（lex）:
	dataset = []
	# lex:词汇表；review:评论；clf:评论对应的分类，[01]代表负面评论 [10]代表正面评论 
	def string_to_vector（lex review clf）:
		words = word_tokenize（line.lower（））
		lemmatizer = WordNetLemmatizer（）
		words = [lemmatizer.lemmatize（word） for word in words]
 
		features = np.zeros（len（lex））
		for word in words:
			if word in lex:
				features[lex.index（word）] = 1  # 一个句子中某个词可能出现两次可以用+=1，其实区别不大
		return [features clf]
 
	with open（pos_file ‘r‘errors=‘ignore‘） as f:
		lines = f.readlines（）
		for line in lines:
			one_sample = string_to_vector（lex line [10]）  # [array（[ 0.  1.  0. ...  0.  0.  0.]） [10]]
			dataset.append（one_sample）
	with open（neg_file ‘r‘errors=‘ignore‘） as f:
		lines = f.readlines（）
		for line in lines:
			one_sample = string_to_vector（lex line [01]）  # [array（[ 0.  0.  0. ...  0.  0.  0.]） [01]]]
			dataset.append（one_sample）
	
	#print（len（dataset））
	return dataset
 
dataset = normalize_dataset（lex）
random.shuffle（dataset）

“““
到此完成了数据的整理工作
“““
 
# 取样本中的10%做为测试数据
test_size = int（len（dataset） * 0.1）
 
dataset = np.array（dataset） # 列表转换为矩阵
 
train_dataset = dataset[:-test_size]
test_dataset = dataset[-test_size:]
 
# Feed-Forward Neural Network
# 定义每个层有多少‘神经元‘‘
n_input_layer = len（lex）  # 输入层
 
n_layer_1 = 1000    # hide layer1
n_layer_2 = 1000    # hide layer2
 
n_output_layer = 2       # 输出层
 
# 定义待训练的神经网络
def neural_network

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     目录           0  2019-03-08 19:42  code\
     文件        6214  2019-03-08 19:39  code\comment_classification.py
     文件      612846  2018-02-08 22:50  code\neg.txt
     文件      626757  2018-02-08 22:50  code\pos.txt
     文件      164380  2019-03-08 19:41  code\注意事项.docx