自然语言处理中的舆情分析、情感分析有很多种方法，但是基于模型的方法对语料的质量要求高，如果不能弄到高质量的语料，很多时候并不准确。如果需要预测的样本量很小，通常到最后还是使用最原始的方法--基于词库匹配。虽然词库匹配效果一定不好，效率还低，但是它非常容易实现，随随便便就能弄一个出来试试效果，如果在样本很小领域很单一的情况，基于这种方法就能凑合着用用了。
如果训练样本量足够大，且样本属于单一领域，用机器学习的方法也会有不错的效果。最简单的方法是使用tf-idf把已标注的文本（通常是正负类或者中立）根据关键词向量化，然后用向量化的文本和他们对应的标签训练分类器，最后用保存好的分类器来预测新的文本。
最近看到一篇用word2vec/doc2vec做情感分析的文章，试了一下效果还行，于是把文档翻译出来,文档是15年的，有些部分已经过时，笔者进行了测试和改写，也会在文档中添加一些自己的心得。文中使用word2vec/doc2vec来代替sklearn的tf-idf把文本向量化，再用常用机器学习分类算法分类，大体思路和普通的机器学习情感分析一样，但是word2vec和doc2vec批量读取语料十分麻烦，输入数据需要给成嵌套列表的形式，例如：[[words],[],[],……]，每个句子是一个word列表，这些句子列表组合成一个完整的语料库。word2vec中使用from gensim.models.word2vec import LineSentence把txt文件直接转化成正确的形式，例如：model = Word2Vec(LineSentence('体育.txt'), size=300,window=5,min_count=1, workers=2)
而该文主要贡献是为doc2vec情感分析提供了一种批量读取训练语料的预处理方法。
- 原文地址github:https://github.com/linanqiu/word2vec-sentiments
- 译者：wong小尧
使用Doc2Vec做情感分析
Word2Vec是个蠢货。简而言之，它吃进去语料，为每一个词生成向量。你会问，这些向量有什么特别之处?嗯，相似的词的向量彼此相近。此外，这些向量表示我们如何使用这些单词。例如，v_man - v_woman近似等于v_king - v_queen，说明“男人对女人如国王对女王”的关系。这个过程，在NLP领域中，被称为词嵌入。这种表征方法已得到广泛应用。看了Doc2Vec的介绍会觉得更棒，它不仅代表单词，还代表完整的句子和文档。想象一下，用一个固定长度的向量来表示一个完整的句子，然后运行所有的标准分类算法。这简直太神奇了不是吗?
然而，Word2Vec文档是垃圾。c代码几乎是不可读的(700行高度优化的代码，有时是古怪的优化代码)。我个人花费了大量的时间去整理Doc2Vec，并且由于执行错误而导致了50%的错误。本教程旨在帮助其他用户使用Word2Vec进行自己的研究。我们使用Word2Vec进行情绪分析，试着将康奈尔IMDB电影评论集合分类。
模块
我们使用gensim，因为gensim的Word2Vec(和Doc2Vec)更易于阅读。祝福那些家伙。我们也使用numpy来进行数组操作，使用sklearn来训练逻辑回归分类器。
# gensim modules
from gensim import utils
from gensim.models.doc2vec import LabeledSentence
#LabeledSentence新版本由TaggedDocument替代
#from gensim.models.doc2vec import TaggedDocument
from gensim.models import Doc2Vec
# numpy
import numpy
# classifier
from sklearn.linear_model import LogisticRegression
# random
import random
输入格式
我们不能输入来自康奈尔电影评论数据库的原始评论。相反，我们通过将所有内容转换为小写并删除标点来清洗它们。我是通过bash完成的，你可以通过Python、JS或您最喜欢的语言轻松完成这一任务。这一步很简单。
其结果是有五个文件:
- “test-neg。txt:来自测试数据的12500个负面电影评论。
- “test-pos。txt:来自测试数据的12500个正面电影评论。
- “train-neg。txt:来自培训数据的12500个负面电影评论。
- “train-pos。txt:来自tr的12500个正面电影评论。
- train-unsup。txt: 50000没有标签的电影评论。
每一篇评论的格式都应该是这样的:
上面的示例包含两个电影评论，每个都占据了一整行。是的，每个文件应该在一行上，被新行隔开。这是非常重要的，因为我们的解析器依赖于这个来识别句子。
为Doc2Vec提供数据
Doc2Vec(Doc2Vec算法gensim部分的实现。)在词嵌入中做的很好，但是在读取文件中做的很差。它只包含了“LabeledLineSentence”类，一个用来生成“LabeledSentence”的类，一个基于gensim.models.doc2vec并用来表示简单句子的类。
为什么使用“Labeled”这个词?这就是Doc2Vec与Word2Vec的不同之处。
Word2Vec只是将一个单词转换成一个向量。
Doc2Vec不止这些，他还将一个句子中的所有单词聚合成一个向量。为了做到这一点，它只是把一个句子的标签当作一个特殊的词，并且在这个特殊的词上做了一些巫术。因此，这个特殊的单词是一个句子的标签。
所以我们必须把句子格式化成如下格式
[['word1', 'word2', 'word3', 'lastword'], ['label1']]
LabeledSentence只是一种完成此项工作更简洁的方式。它包含一个单词列表和一个句子的标签。我们并不需要关心标签的工作原理，我们只需要知道它存储了两种东西——一个单词列表和一个标签。
但是，我们需要一种方法来将我们的新行分隔的语料库转换成一个LabeledSentences（已经有标签的句子）的集合。
Doc2Vec中默认的LabeledLineSentence类的默认构造函数可以对单个文本文件执行此操作，但对于多个文件不能这样做。但是在分类任务中，我们通常需要处理多个文档(test, training, positive, negative等)。只能单个处理，不讨厌吗?
所以我们写我们自己的LabeledLineSentence类。构造函数接受一个字典，该字典定义要读的文件，而标签前缀则是来自该文档的句子。然后，Doc2Vec可以直接通过迭代器读取集合，或者我们可以直接访问数组。
我们还需要一个函数来返回一个经过修改的LabeledSentences数组。
我们稍后会看到原因。
class LabeledLineSentence(object):
def __init__(self, sources):
self.sources = sources
flipped = {}
# make sure that keys are unique
for key, value in sources.items():
if value not in flipped:
flipped[value] = [key]
else:
raise Exception('Non-unique prefix encountered')
def __iter__(self):
for source, prefix in self.sources.items():
with utils.smart_open(source) as fin:
for item_no, line in enumerate(fin):
yield LabeledSentence(utils.to_unicode(line).split(), [prefix + '_%s' % item_no])
def to_array(self):
self.sentences = []
for source, prefix in self.sources.items():
with utils.smart_open(source) as fin:
for item_no, line in enumerate(fin):
self.sentences.append(LabeledSentence(utils.to_unicode(line).split(), [prefix + '_%s' % item_no]))
return self.sentences
def sentences_perm(self):
shuffled = list(self.sentences)
random.shuffle(shuffled)
return shuffled
现在我们可以将数据文件提供给LabeledLineSentence。
正如我们前面提到的，LabeledLineSentence简单地使用一个带键的字典作为文件名，并且句子值的特殊前缀是来自文档。前缀必须是唯一的，因此不同文档的句子没有含糊不清的地方。
前缀将会有一个计数器，用于在documetns中标记单个句子。
sources = {'test-neg.txt':'TEST_NEG', 'test-pos.txt':'TEST_POS', 'train-neg.txt':'TRAIN_NEG', 'train-pos.txt':'TRAIN_POS', 'train-unsup.txt':'TRAIN_UNS'}
sentences = LabeledLineSentence(sources)
Model
建立词汇表
Doc2Vec要求我们构建词汇表(只需简单地消化所有单词并过滤出唯一的单词，然后用他们做一些基本的计算）。所以我们给它提供了句子数组。model.build_vocab接受了LabeledLineSentence数组, 因此，在LabeledLineSentences类中我们需要使用to_array函数。
如果您对参数感兴趣，请阅读Word2Vec文档。或者，这里提供一个简单的纲要:
- min_count:忽略所有频率低于这个的单词。您必须将其设置为1，因为句标签只出现一次。把它设置成高于1就会漏掉句子。
- window: 句子中当前单词和预测单词之间的最大距离。Word2Vec使用skip-gram模型，而这只是skip -gram模型的窗口大小。英文可以设置小一点例如10。（注意：在中文中，两到四个字才能组成一个词语，可以设置大一点15-25左右。）
- size: 特征向量在输出中的维数。100是个好数字。如果你是需要极端情况，这个值可以达到400左右。大的size需要更多的训练数据,但是效果会更好. 推荐值为几十到几百。
- sample: 配置高频词的阈值。#高频词汇的随机降采样的配置阈值，默认为1e-3，官网给的解释 1e-5效果比较好。设置为0时是词最少的时候！不进行降采样，结果词少，当设置1e-5，相应的词展现更丰富！
- workers: 使用这许多工作线程来训练模型。
* 新版本中迭代的轮数也在这里确定,用（iter）或者（epochs）参数来确定，epochs是最新版本用法
model = Doc2Vec(min_count=1, window=10, size=100, sample=1e-4, negative=5, workers=7)
##新版本size改成了vector_size
#model = Doc2Vec(min_count=1, window=10, vector_size=100, sample=1e-4, negative=5, workers=7)
model.build_vocab(sentences.to_array())
训练 Doc2Vec
现在我们训练模型。如果在每一个训练阶段，模型的训练都比较好，那么喂给模型的句子顺序是随机的。这一点很重要:错过这个步骤会给你带来非常糟糕的结果。这就是我们为什么我们“LabeledLineSentences”类中有“sentences_perm”。
我们训练它10轮。如果我有更多的时间，我就会做20个。
这个过程大约需要10分钟，所以去喝杯咖啡。
for epoch in range(10):
model.train(sentences.sentences_perm(),epochs=model.iter)
注意：建立词汇表和训练Doc2Vec的部分使用了旧版本的写法
可能会有以下错误
ValueError: You must specify either total_examples or total_words, for proper alpha and progress calculations. The usual value is total_examples=model.corpus_count.
而且epochs=model.iter写法也已经过时，需要修改为model.epochs
新版本写法如下：
model = Doc2Vec(vector_size=100, window=10, min_count=1, workers=7,sample=1e-4,epochs=10)
model.build_vocab(sentences.to_array())
model.train(sentences.to_array(), epochs=model.epochs, total_examples=model.corpus_count)
检查模型
让我们看看我们的模型给出了什么。它似乎有点理解good这个词，因为最相似的词是glamorous, spectacular, astounding 等等。
这真的很棒(而且很重要)，因为我们正在做情感分析。
我们看看那和‘good’最相似的词，以及相似度。
model.most_similar('good')
注意:此方法已经过时，新版本：
model.wv.most_similar('good')
充分训练后的结果：
注意: 实际上word2vec学习的向量和真正语义还有差距，更多学到的是具备相似上下文的词，比如“good”“bad”相似度也很高，反而是文本分类任务输入有监督的语义能够学到更好的语义表示。
我们还可以查看模型实际包含的内容。这是模型中单词和句子的每个向量。我们可以使用模型访问它们。 syn0（对于你们中的极客来说，syn0只是浅层神经网络的输出层。）
但是，我们不想使用整个syn0，因为它包含了单词的向量，我们只对句子感兴趣。
以下是对负面评论的训练中第一句话的样本向量:
model['TRAIN_NEG_0']
保存和加载模型
为了避免再次训练模型，我们可以保存它。
model.save('./imdb.d2v')
And load it.
model = Doc2Vec.load('./imdb.d2v')
情感分类
训练向量
现在让我们用这些向量来训练分类器。首先，我们必须提取训练向量。请记住，我们总共有25000个训练样本，有相同数量的正例和反例(12500正，12500个负数)。因此，我们创建了一个numpy数组(因为我们使用的分类器只接受numpy数组)。有两个平行数组，一个包含向量(train_array)，另一个包含标签(train_label)。
我们只是把正数放在数组的前半部分，负的放在下半部分。
train_arrays = numpy.zeros((25000, 100))
train_labels = numpy.zeros(25000)
for i in range(12500):
prefix_train_pos = 'TRAIN_POS_' + str(i)
prefix_train_neg = 'TRAIN_NEG_' + str(i)
train_arrays[i] = model[prefix_train_pos]
train_arrays[12500 + i] = model[prefix_train_neg]
train_labels[i] = 1
train_labels[12500 + i] = 0
训练数组看起来是这样的:表示每个句子向量的行和行构成了数组。
print (train_arrays)
标签只是句子向量的类别标签——1代表正，0代表负。
print (train_labels)[ 1. 1. 1. ..., 0. 0. 0.]
测试向量
对于测试数据，我们也做同样的事情——在我们使用训练数据训练它之后，我们要给分类器提供数据。
这使我们能够评估我们的结果。这个过程和提取训练数据的结果差不多。
test_arrays = numpy.zeros((25000, 100))
test_labels = numpy.zeros(25000)
for i in range(12500):
prefix_test_pos = 'TEST_POS_' + str(i)
prefix_test_neg = 'TEST_NEG_' + str(i)
test_arrays[i] = model[prefix_test_pos]
test_arrays[12500 + i] = model[prefix_test_neg]
test_labels[i] = 1
test_labels[12500 + i] = 0
分类
现在我们使用训练数据训练逻辑回归分类器。
classifier = LogisticRegression()
classifier.fit(train_arrays, train_labels)
接着发现我们在情绪分析方面的有着接近87%的准确度。这是相当难以置信的，因为我们只使用一个线性支持向量机（代码中明明是逻辑回归……）和一个非常浅的神经网络。
classifier.score(test_arrays, test_labels)
0.86968000000000001
这不是很棒吗?希望以上内容能为你节省一些时间!
References
- Doc2vec: https://radimrehurek.com/gensim/models/doc2vec.html
- Paper that inspired this: http://arxiv.org/abs/1405.4053
上面内容翻译自原作者的github。
使用gensim包训练Word2Vec并不复杂，麻烦的是把数据整理成Word2Vec和Doc2vec的所支持的格式，虽然官方文档中提供了很多例子，但是并不能批量处理。以上作者给出了批量处理的方案，并使用常用的机器学习分类算法来分类。（听说word2vec生成的词向量搭配深度学习会更好，也可以考虑用RNN之类的深度学习来做分类）
改成中文只需要把读取的那几个txt文件修改成中文即可，每一行代表一个句子或者说一篇文章，因为是doc2vec，所以也不需要做什么分词或者去除停用词之类的预处理，但是需要去除标点符号之类的非中文的部分。另外，想要模型准确，需要一个比较完善的语料库。
