sentiment-analysis - sociales - api analisis de sentimientos

Análisis de sentimiento utilizando tensorflow

Question

Estoy explorando tensorflow y me gustaría hacer un análisis de sentimientos usando las opciones disponibles. He visto el siguiente tutorial http://www.tensorflow.org/tutorials/recurrent/index.html#language_modeling

He trabajado con Naive Bayes Classifier, Maximum Entropy Algorithm y Scikit Learn Classifier y me gustaría saber si hay mejores algoritmos ofrecidos por tensorflow. ¿Es este el lugar adecuado para comenzar o hay otras opciones?

Cualquier ayuda que apunte en la dirección correcta sería muy apreciada.

Gracias por adelantado.

Answer 1

Le sugiero que pruebe un LSTM a nivel de carácter, se ha demostrado que puede lograr resultados de vanguardia en muchas tareas de clasificación de texto, una de ellas es el análisis de sentimientos.

Escribí un artículo bastante extenso que puede encontrar here donde paso por su implementación en TensorFlow línea por línea. El resultado es un modelo que tiene un tamaño menor a 100 mb y que alcanza una precisión de más del 80% en un conjunto de prueba de 80,000 tweets.

Otro enfoque que ha demostrado ser muy efectivo es utilizar una red neuronal recursiva, puede leer el documento de Stanford NLP Group here

Answer 2

Para mí, el tutorial más fácil de seguir fue: https://pythonprogramming.net/data-size-example-tensorflow-deep-learning-tutorial/?completed=/train-test-tensorflow-deep-learning-tutorial/

Lo guía a través de TensorFlow.train.AdamOptimizer().minimize(cost) y usa el conjunto de datos Sentiment140 (de Stanford, ~ 1 mil ejemplos de sentimientos positivos y negativos)

Answer 3

Un enfoque comúnmente utilizado sería el uso de una red neuronal convolucional (CNN) para hacer un análisis del sentimiento. Puedes encontrar una gran explicación / tutorial en esta publicación de blog de WildML . El código TensorFlow adjunto se puede encontrar here .

Otro enfoque sería utilizar un LSTM (o una red relacionada), puede encontrar implementaciones de ejemplo en línea, un buen punto de partida es este blogpost .