奇书网

第四节 文本情绪分析（第3页）

&。append（0）

data。appe）

&a

bi（bined）

#每个句子所含词语对应的索引

bined=sequence。pad_sequenaxlen=maxlen）

&urnw2indx，w2vebined

else：

print（"Nodataprovided。。。"）

#定义词向量函数，读取训练好的词向量模型。调用创建词典的函数

#返回每个词语的索引、词向量以及每个句子所对应的词语索引

defword2vebined）：

model=Word2Vec。load（'word2vec_model。pkl'）

&，word_vebined=

&ionaries（model=model，bined=bined）

&ur，word_vebined

&a（i，word_vebined，y）：

#所有单词的索引数，频数小于10的词语索引为0，所以加1

n_symbols=le）+1

#索引为0的词语，词向量全为0

embeddis=np。zeros（（n_symbols，vocab_dim））

#从索引为1的词语开始循环，每个词语对应到它的词向量

forword，indexiems（）：

embeddis[index，：]=word_vectors[word]

x_trairairai（bined，y，

&_size=0。2）

print（x_trairain。shape）

&urnn_symbols，embeddirain，y_trai

#定义网络结构

&rain_lstm（n_symbols，embeddis，

x_train，y_trai）：

print（"DefiningaSimpleKerasModel。。。"）

&ial（）#使用序贯模型

model。add（Embedding（output_dim=vocab_dim，

input_dim=n_symbols，

mask_zero=True，

&s=[embeddis]，