使用LSTM做电影评论负面检测——使用朴素贝叶斯才51%，但是使用LSTM可以达到99%准确度

 基本思路：

每个评论取前200个单词。然后生成词汇表，利用词汇index标注评论（对 每条评论的前200个单词编号而已），然后使用LSTM做正负评论检测。

 代码解读见【【【评论】】】！embedding层本质上是word2vec！！！在进行数据降维，但是不是所有的LSTM都需要这个，比如在图像检测mnist时候，就没有这层！

<a></a>

负面的示例评论：

正面的：

pad后和category后的数据示例：

 其中，MAX_DOCUMENT_LENGTH = 200，由于每个文档都进行了剪切。超过200的就直接截断文本，不再计算了！！！因为：

参数：

<code>max_document_length</code>: 文档的最大长度。如果文本的长度大于最大长度，那么它会被剪切，反之则用0填充。 

<code>min_frequency</code>: 词频的最小值，出现次数小于最小词频则不会被收录到词表中。 

<code>vocabulary</code>: CategoricalVocabulary 对象。 

<code>tokenizer_fn</code>：分词函数

代码：

本文转自张昺华-sky博客园博客，原文链接：http://www.cnblogs.com/bonelee/p/7903934.html，如需转载请自行联系原作者