利用LSTM+CNN+glove词向量预训练模型进行微博评论情感分析（二分类）
项目简介
本项目旨在利用LSTM（长短期记忆网络）、CNN（卷积神经网络）和glove词向量预训练模型，对微博评论进行情感分析，实现二分类任务。通过结合深度学习技术，本项目能够有效地识别微博评论中的情感倾向，为社交媒体情感分析提供了一种高效且准确的解决方案。
数据集
本项目使用的数据集包含12万条微博评论，其中正负情感评论各6万条。数据集经过预处理，包括分词和去除停用词等步骤，以确保模型训练的有效性。
模型架构
- 词向量嵌入层：使用glove预训练词向量模型，将文本数据转换为词向量表示。
- LSTM层：捕捉文本序列中的长期依赖关系。
- CNN层：通过卷积操作提取文本中的局部特征。
- 池化层：对卷积层的输出进行池化操作，减少特征维度。
- 全连接层：将池化层的输出映射到最终的情感分类结果。
训练与评估
模型训练过程中，采用了交叉验证和随机搜索方法，以优化模型参数。训练结果显示，模型在验证集上的准确率达到了98%以上，表明模型具有较高的分类性能。
使用方法
- 数据预处理：运行
fenci函数对原始数据进行分词和去停用词处理。 - 模型训练：设置
flag="train"，运行主程序进行模型训练。 - 模型预测：设置
flag为其他值，运行主程序进行模型预测。
结果展示
训练过程中，模型在训练集和验证集上的损失值和准确率变化曲线如图所示。最终的混淆矩阵和分类报告展示了模型在测试集上的预测效果。
参考资料
本项目参考了Eastmount大佬的文章和B站唐宇迪的视频，感谢他们的分享和指导。
致谢
感谢CSDN博主qq_44182694提供的详细文章和代码，为本项目的实现提供了宝贵的参考。