TFIDF、word2vec、svm、textcnn、bilstm、cnnbilstm、bilstm+attention情感分类

# tsv2csv.py 将数据集中的训练集分为正面文本和负面文本，以及将测试集文本，一并写入新的csv文件中。 # get_chart.py 生成正负面数据占比图。 # get_maxlen.py 生成数据集句长及其数量统计图。 # word_cloud.py 生成关键词词云图和Top20关键词‌条形图。 # train_bilstm.py 利用word2vec提取文本特征，并建立与训练Bi-LSTM模型,最终对测试集数据进行预测。 # train_textcnn.py 利用word2vec提取文本特征，并建立与训练TextCNN模型,最终对测试集数据进行预测。 # train_cnn_bilstm.py 利用word2vec提取文本特征，并建立与训练CNN+Bi-LSTM模型,最终对测试集数据进行预测。 # train_bilstm_attention.py 利用word2vec提取文本特征，并建立与训练bilstm+attention模型,最终对测试集数据进行预测。 # train_svm.py 利用word2vec提取文本特征，并建立与训练SVM模型,最终对测试集数据进行预测。 # train_svm_tfidf.py 利用TF-IDF提取文本特征，并建立与训练SVM模型,最终对测试集数据进行预测。 # image 包含词云背景图以及观察数据时生成的图片。 # data 包含训练集的正面文本、训练集的负面文本、测试集文本、正面文本的关键词、负面文本的关键词以及经过多次调参的各个模型对测试集的预测结果。