Python 如何使用word2Vec和深度学习模型预测文本的情感？

我试图通过使用word2vec和一些深度学习算法来检测推特的情绪。以下是我的模型培训代码：

word2VecValues = pd.read_csv(allVectorValuesPath, sep=",", skipinitialspace=True)
word2VecValues = convertLabelToFloat(word2VecValues)
word2VecValues = prepareDataSet(word2VecValues)

X = word2VecValues.iloc[:, :-1]
Y = word2VecValues.iloc[:, -1]

model = Sequential()
model.add(Dense(12, input_dim=100, activation='relu'))
model.add(Dense(8, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=25, batch_size=10)

saveModel(model, "Word2Vec")

_, accuracy = model.evaluate(X, Y)
print('Accuracy: %.2f' % (accuracy * 100))

如您所见，我有一个csv文件，其中包含语料库中每个单词的word2vec向量值。我使用它作为数据帧，即“word2VecValues”

模型培训完成后，我保存word2vec模型。

---

我想加载模型并预测一篇文章的情绪。然而，对于如何获得新文本的向量值，我有点困惑。你能帮我吗？

你应该找到一个带有情绪数据注释的数据集，或者注释你自己的数据集，这相当耗时。使用word2vec将文本转换为一批向量，将向量馈送到lstm层而不是密集层。 单靠word2vec还不足以进行情绪分析。

---

如果你问我，因为你要分析推特，推特上充斥着不符合word2vec标准语汇的即兴创作，你最好使用fastText。

谢谢你的建议。我将学习fastText