Analyse de sentiments avec tensorflow
J'explore tensorflow et voudrais faire une analyse de sentiment en utilisant les options disponibles. J'ai jeté un œil au tutoriel suivant http://www.tensorflow.org/tutorials/recurrent/index.html#language_modeling
J'ai travaillé avec Naive Bayes Classifier, Maximum Entropy Algorithm et Scikit Learn Classifier et je voudrais savoir s'il existe de meilleurs algorithmes proposés par tensorflow. Est-ce le bon endroit pour commencer ou y a-t-il d'autres options?
Toute aide allant dans la bonne direction serait grandement appréciée.
Merci d'avance.
Une approche couramment utilisée consisterait à utiliser un réseau de neurones convolutifs (CNN) pour analyser les sentiments. Vous pouvez trouver une bonne explication/tutoriel dans cet article WildML blog . Le code TensorFlow associé est disponible ici .
Une autre approche consisterait à utiliser un LSTM (ou réseau associé). Vous pouvez trouver des exemples d’implémentations en ligne. Un bon point de départ est this blogpost .
Je vous suggérerais d'essayer un LSTM au niveau du personnage. Il a été prouvé qu'il était capable d'obtenir des résultats à la pointe de la technologie dans de nombreuses tâches de classification de texte, l'une d'entre elles étant l'analyse des sentiments.
J'ai écrit un article assez long que vous pouvez trouver ici où je passe en revue son implémentation dans TensorFlow, ligne par ligne. Le résultat est un modèle dont la taille est inférieure à 100 Mo et qui atteint une précision de plus de 80% sur une série de tests de 80 000 tweets.
Une autre approche qui s’est révélée très efficace consiste à utiliser un réseau de neurones récursif. Vous pouvez lire le document de Stanford NLP Group ici
Pour moi, le tutoriel le plus facile à suivre était: https://pythonprogramming.net/data-size-example-tensorflow-deep-learning-tutorial/?completed=/train-test-tensorflow-deep-learning-tutorial/
Il vous guide à traversTensorFlow.train.AdamOptimizer().minimize(cost) et utilise le jeu de données Sentiment140 (provenant de Stanford, environ 1 millième d'exemples de sentiments positifs et négatifs).