我正在研究 Kaggle 电影情感分析,我发现电影评论已使用 Standford Parser 进行了解析。 在探索数据集时,我发现相同的语句给出了不同的设置-
their parents , wise folks that they are , 2
their parents , wise folks that they are 3
Genuinely unnerving . 3
Genuinely unnerving 1
其中 english 是解析后的数据,数字属于 sentiment。 现在,如果您只检查逗号和一个点的区别,其余的是相同的,但两者都属于不同的情绪,这给我分类带来了很多麻烦。
在文本分类中我应该怎么做才能避免这样的问题,如果我忽略重复项并使用已经添加的 sentiment ,我的分类就会出错,那么解决这种情况的方法应该是什么。
最佳答案
我假设您使用的是词袋,逗号和点是您的特征之一(X
矩阵中的一列)。
+-------------------------+-----------+-----------+----+
| Document/Features | Genuinely | unnerving | . |
+-------------------------+-----------+-----------+----+
| Genuinely unnerving . | 1 | 1 | 1 |
| Genuinely unnerving | 1 | 1 | 0 |
+-------------------------+-----------+-----------+----+
理想的算法应该了解这些特征是否相关。例如,在逻辑回归的情况下,您的算法会为相应的列分配一个非常小的权重,因此该列中的 1
或 0
不会改变预测的结果。所以你会有类似的东西:
"Genuinely unnerving ." -> 0.5*1 + -2.3*1 + 0.000001*1 -> Negative
"Genuinely unnerving " -> 0.5*1 + -2.3*1 + 0.000001*0 -> Also negative
在您的情况下,它们的效果似乎很小。这真的是个问题吗?你发现了一些特殊情况,它似乎是错误的,但通过查看数据,算法发现带点的句子比没有点的句子更消极。也许您应该相信,从统计学上讲,一个点可以改变句子的含义。
您的训练数据或过度拟合模型也可能会出现问题。如果您真的认为有问题,那么您可以通过表示句子将这些知识强加到模型上,使它们无法区分,例如忽略一些标点符号。
我认为一次去掉所有标点符号是错误的,例如 !
伴随着单词 yes
可能代表非常积极的情绪,如果你从你的句子中删除它你会隐藏模型有值(value)的信息。但可能恰恰相反,!
在大多数情况下是负的,所以它在训练后得到很高的负权重,这会在预测 yes!!!
时混淆模型像句子。在这种情况下,您可以将句子表示为二元语法,以便模型可以分别对单个 !
和 (yes, !)
组合的效果进行加权。
所以在简历中,您应该尝试不同的模型和方法来表示您的数据,看看哪些有效。
关于python - Stanford NLP Parser 对 Kaggle Movie 评论中使用的相同语句给出不同的结果(情感),我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28033135/