【推荐】MXNet深度情感分析实战

2017 年 10 月 4 日 机器学习研究会
【推荐】MXNet深度情感分析实战


点击上方 “机器学习研究会”可以订阅


摘要
 

转自:爱可可-爱生活

Sentiment analysis is a common task in the data science world. A company may want to monitor mentions of its products on Twitter or Facebook in order to detect (and resolve) customer satisfaction issues proactively. But human language is rich and complex; there are myriad ways to feel positive or negative emotion about something—and for each of those feelings there are, in turn, many ways to express that feeling. Among machine learning techniques for sentiment analysis, deep learning has proven to excel at making sense of these complex inputs.

In this tutorial, we'll classify sentiment by building a neural network using Apache MXNet. Ultimately, we'll build up to a classifier that can take the text of a brief movie review as input and try to identify it and express a positive or negative opinion about the movie. We will start with a simple dense model and then build a model similar to the convolutional architecture described in this paper by Yoon Kim. We will also visualize the output using t-sne, a visualization technique for high-dimensional data. Finally, we will use transfer learning to use the pre-built embedding glove in our neural network to classify sentences. Although there are many deep learning frameworks, such as TensorFlow, Keras, Torch, and Caffe, we'll use Apache MXNet, which is gaining popularity due to its flexibility and scalability across multiple GPUs.

I encourage you to download the notebook, where we've created and run all this code, and play with it! Adjust the hyperparameters and experiment with different approaches to neural network architecture or data preparation—and see if you can beat our accuracy. 

This notebook expects you to have a basic understanding of convolution operation, neural networks, activation units, gradient descent, and NumPy. 

By the end of the notebook, you will be able to: 

  1. Understand the complexity of sentiment analysis.

  2. Understand word embedding and its use.

  3. Prepare data sets for training the neural network.

  4. Implement custom neural network architecture for classifying sentiments using various different models.

  5. Visualize the result and understand our model using t-sne. 

  6. Use a prebuilt embedding like glove to train on data with constraints (small data set or small sentences).


链接:

https://www.oreilly.com/ideas/sentiment-analysis-with-apache-mxnet


原文链接:

https://m.weibo.cn/1402400261/4159201552793139

“完整内容”请点击【阅读原文】
↓↓↓
登录查看更多
16

相关内容

狭义的情感分析(sentiment analysis)是指利用计算机实现对文本数据的观点、情感、态度、情绪等的分析挖掘。广义的情感分析则包括对图像视频、语音、文本等多模态信息的情感计算。简单地讲,情感分析研究的目标是建立一个有效的分析方法、模型和系统,对输入信息中某个对象分析其持有的情感信息,例如观点倾向、态度、主观观点或喜怒哀乐等情绪表达。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
小贴士
相关资讯
Python机器学习教程资料/代码
机器学习研究会
5+阅读 · 2018年2月22日
【推荐】深度学习情感分析综述
机器学习研究会
51+阅读 · 2018年1月26日
【推荐】用TensorFlow实现LSTM社交对话股市情感分析
机器学习研究会
10+阅读 · 2018年1月14日
【推荐】自然语言处理(NLP)指南
机器学习研究会
33+阅读 · 2017年11月17日
【推荐】深度学习目标检测全面综述
机器学习研究会
17+阅读 · 2017年9月13日
【推荐】RNN/LSTM时序预测
机器学习研究会
22+阅读 · 2017年9月8日
【推荐】深度学习目标检测概览
机器学习研究会
9+阅读 · 2017年9月1日
【推荐】Python机器学习生态圈(Scikit-Learn相关项目)
机器学习研究会
5+阅读 · 2017年8月23日
【推荐】深度学习思维导图
机器学习研究会
11+阅读 · 2017年8月20日
【推荐】TensorFlow手把手CNN实践指南
机器学习研究会
5+阅读 · 2017年8月17日
相关VIP内容
专知会员服务
79+阅读 · 2020年6月2日
【深度学习视频分析/多模态学习资源大列表】
专知会员服务
60+阅读 · 2019年10月16日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
65+阅读 · 2019年10月12日
开源书:PyTorch深度学习起步
专知会员服务
29+阅读 · 2019年10月11日
强化学习最新教程,17页pdf
专知会员服务
69+阅读 · 2019年10月11日
2019年机器学习框架回顾
专知会员服务
25+阅读 · 2019年10月11日
[综述]深度学习下的场景文本检测与识别
专知会员服务
41+阅读 · 2019年10月10日
机器学习入门的经验与建议
专知会员服务
45+阅读 · 2019年10月10日
相关论文
Jointly Modeling Aspect and Sentiment with Dynamic Heterogeneous Graph Neural Networks
Shu Liu,Wei Li,Yunfang Wu,Qi Su,Xu Sun
8+阅读 · 2020年4月14日
Syntax-Aware Aspect Level Sentiment Classification with Graph Attention Networks
Binxuan Huang,Kathleen M. Carley
8+阅读 · 2019年9月5日
1D Convolutional Neural Networks and Applications: A Survey
Serkan Kiranyaz,Onur Avci,Osama Abdeljaber,Turker Ince,Moncef Gabbouj,Daniel J. Inman
4+阅读 · 2019年5月9日
Jindou Wu,Yunlun Yang,Chao Deng,Hongyi Tang,Bingning Wang,Haoze Sun,Ting Yao,Qi Zhang
6+阅读 · 2019年3月28日
Wei Xue,Tao Li
12+阅读 · 2018年5月18日
Reshma U,Barathi Ganesh H B,Mandar Kale,Prachi Mankame,Gouri Kulkarni
3+阅读 · 2018年4月10日
Ayush Singh,Ritu Palod
4+阅读 · 2018年4月10日
Ou Wu,Tao Yang,Mengyang Li,Ming Li
6+阅读 · 2018年3月21日
K M Annervaz,Somnath Basu Roy Chowdhury,Ambedkar Dukkipati
10+阅读 · 2018年2月16日
Lei Zhang,Shuai Wang,Bing Liu
24+阅读 · 2018年1月24日
Top