循环神经网络实战：用 LSTM 做中文情感分析（二）

循环神经网络实战：用 LSTM 做中文情感分析（二）

---

文章目录

• [循环神经网络实战：用 LSTM 做中文情感分析（二）](#循环神经网络实战：用 LSTM 做中文情感分析（二）)
• • 前言
  • 数据准备
  • • 文本预处理步骤：
  • 模型搭建（LSTM）
  • 训练与测试
  • [可视化训练过程（Loss 曲线）](#可视化训练过程（Loss 曲线）)
  • 测试与预测
  • 实验结果展示
  • 总结

---

前言

在上一篇文章中，我们学习了 RNN、LSTM 与 GRU 的基本原理，理解了它们的结构和特点。理论固然重要，但只有结合实际项目，才能真正掌握它们的精髓。

本篇我们将通过一个 中文文本情感分析任务 ，带大家从零开始构建一个完整的 LSTM 项目。最终的目标是：输入一句中文评论，模型能预测它是 积极 还是 消极。

读完本篇你将收获：

• 中文文本的预处理方法
• 如何在 PyTorch 中搭建 LSTM 模型
• 完整的训练与测试流程
• 在实际数据上的实验结果（含 loss 曲线）

---

数据准备

在情感分析任务中，常用的数据集之一是 ChnSentiCorp 中文评论数据集 ，其中包含了上万条带有标签的用户评论。

标签定义：

• 1 → 正面情感
• 0 → 负面情感

这里为了演示，我们先用几条示例数据（实际训练请加载完整数据集）。

文本预处理步骤：

1. 分词 （中文需要切词，可以用 jieba 或 pkuseg）
2. 构建词典（把词映射到整数）
3. 序列化（将句子转化为数字序列）
4. Padding（统一句子长度）

import jieba
from torchtext.vocab import build_vocab_from_iterator
from torch.nn.utils.rnn import pad_sequence
import torch

# 示例数据
texts = ["这部电影真的很好看", "剧情太差劲了，浪费时间", "演员表演很自然，值得推荐"]
labels = [1, 0, 1]

# 分词
tokenized_texts = [list(jieba.cut(t)) for t in texts]

# 构建词典
def yield_tokens(data):
    for tokens in data:
        yield tokens

vocab = build_vocab_from_iterator(yield_tokens(tokenized_texts), specials=["<pad>"])
vocab.set_default_index(vocab["<pad>"])

# 转换为数字序列
text_ids = [torch.tensor(vocab(t)) for t in tokenized_texts]

# padding
padded = pad_sequence(text_ids, batch_first=True, padding_value=vocab["<pad>"])
print("Padded input:\n", padded)

---

模型搭建（LSTM）

我们使用 PyTorch 构建一个经典的文本分类模型：

结构：

Embedding → LSTM → Linear → Sigmoid

模型代码如下：

import torch.nn as nn

class SentimentLSTM(nn.Module):
    def __init__(self, vocab_size, embed_dim, hidden_dim, num_layers, num_classes=1):
        super(SentimentLSTM, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embed_dim, padding_idx=0)
        self.lstm = nn.LSTM(embed_dim, hidden_dim, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_dim, num_classes)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        embedded = self.embedding(x)
        out, _ = self.lstm(embedded)
        out = self.fc(out[:, -1, :])  # 取最后时刻的隐藏状态
        return self.sigmoid(out)

---

训练与测试

定义损失函数和优化器：

import torch.optim as optim

# 初始化模型
model = SentimentLSTM(vocab_size=len(vocab), embed_dim=128, hidden_dim=256, num_layers=2)
criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

训练循环（记录每个 epoch 的 loss）：

labels_tensor = torch.tensor(labels, dtype=torch.float)
losses = []  # 用来存放每个 epoch 的 loss

for epoch in range(10):
    optimizer.zero_grad()
    outputs = model(padded).squeeze()
    loss = criterion(outputs, labels_tensor)
    loss.backward()
    optimizer.step()

    losses.append(loss.item())  # 保存 loss
    print(f"Epoch {epoch+1}, Loss: {loss.item():.4f}")

---

可视化训练过程（Loss 曲线）

import matplotlib.pyplot as plt

plt.plot(losses, label="Training Loss")
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.legend()
plt.show()

运行后可以得到一条 loss 逐渐下降的曲线，验证模型确实在学习。

---

测试与预测

现在我们可以输入一句新评论，让模型判断情感：

def predict(text):
    tokens = list(jieba.cut(text))
    ids = torch.tensor(vocab(tokens)).unsqueeze(0)
    output = model(ids)
    return "积极" if output.item() > 0.5 else "消极"

print(predict("这部片子让我很感动"))
print(predict("真是浪费钱"))

输出示例：

积极
消极

---

实验结果展示

在小数据集上，模型效果可能一般。但如果在 完整的 ChnSentiCorp 数据集 上训练几十个 epoch，准确率能达到 85%~90% 左右。

我们还可以绘制验证集的准确率曲线（这里留给大家作为练习）。

---

总结

1. 本文完整展示了一个基于 LSTM 的中文情感分析项目 ，包括 数据预处理 → 模型搭建 → 训练（记录 loss） → 可视化 → 测试预测。
2. 通过实验可以看到，LSTM 在文本分类任务中效果不错，但训练速度较慢。
3. 如果想要更快的训练，可以尝试 GRU ；如果想要更强的性能，可以尝试 BERT、RoBERTa 等 Transformer 模型。