基于机器学习SVM和Word2Vec实现购物平台评论数据情感分析python源码(附数据集+详细注释+使用说明+模型）.zip

【优质项目推荐】 1、品质保证：项目代码均经过严格测试，确保功能稳定且运行ok。您可以放心下载并立即投入使用，若遇到任何问题，随时欢迎您的反馈与交流。 2、适用广泛：无论您是计算机相关专业（如计算机科学、信息安全、数据科学、人工智能、通信、物联网、自动化、电子信息等）的在校学生、专业老师，还是企业员工，都适用。 3、多用途价值：该项目不仅具有很高的学习借鉴价值，对于初学者来说，是入门进阶的绝佳选择；当然也可以直接用于 毕业设计、课程设计、期末大作业或项目初期立项演示等。 3、开放创新：如果您有一定基础，且热爱探索钻研，那该项目代码更是您发挥创意、实现新功能的起点。可以基于此代码进行修改、扩展，创造出属于自己的独特应用。 欢迎下载使用优质资源！欢迎交流学习，欢迎借鉴引用，共同探索编程的无穷魅力！ 基于机器学习SVM和Word2Vec实现购物平台评论数据情感分析python源码(附数据集+详细注释+使用说明+模型）.zip 基于Word2Vec+SVM对电商的评论数据进行情感分析 首先是利用word2vec对正负评论数据进行词向量训练，然后利用SVM分类器对语料进行分类，具体的过程如下： 第一步：加载数据、进行jieba分词、对数据进行随机切分，生成训练集和测试集（对应的代码部分为data_seal.py） pos = pd.read_table('E:/NLP/chinese-w2v-sentiment/data/pos.csv',header=None,index_col=None) neg = pd.read_table('E:/NLP/chinese-w2v-sentiment/data/neg.csv',header=None,index_col=None) 导入数据，然后利用jieba对数组进行分词，将分词结果与生成的相同维度的标签table数组进行合并，合并的方式有很多种：这里我用的是np.append(a,b,axis=0) 的方式。数据准备好了之后就是对数据进行切分，随机生成测试数据集和训练集，这里的比例test_size可以根据数据的实际大小进行设置，正常设置成0.2和0.3。 为了后面的运算方便，对切分的数据进行保存。分别为data文件下的x_train_data、x_test_data、y_train_data、y_test_data。 第二步：计算每段话的向量（代码对应的是word_vec.py和model.py） 通过遍历每句话中每个词的词向量，然后求均值，将均值表示为这一句话对应的向量，当然这里只是简单初级的处理，也可以参考doc2vec的方法对 句子进行向量化，但是工程应用上的效果不是特别好，大家也可尝试一下看看，这里毕竟只是初级的教程。 第三步：训练SVM模型（代码对应的是train_model.py） 第四步：对单个句子进行分类，情感判断（对应的代码为model_test.py）