使用Keras对Youtube评论进行LSTM情绪分析

我的目标是通过使用LSTM缓慢缩放来弄脏我的手。然而，在现在的初始阶段，我正试图使用Keras实现一个youtubelstm情绪分析器。在搜索可用于帮助我的资源时，我遇到了IMDB情绪分析数据集和LSTM代码。虽然它对较长的输入效果很好，但较短的输入效果不太好。代码在这里

保存Keras模型并使用此代码为此数据构建预测模块后

 model = load_model('ytsentanalysis.h5')
 print("Enter text")
 text=input()
 list=text_to_word_sequence(text,filters='!"#$%&()*+,-./:;<=>?@[\\]^_`{|}~\t\n',lower=True,split=" ")
 print(list)
 word_index = imdb.get_word_index()
 x_test = [[word_index[w] for w in list if w in word_index]]
 prediction=model.predict(x_test)
 print(prediction)

model=load\u model（'ytsentlanalysis.h5'）
打印（“输入文本”）
text=input（）
list=text\u to\u word\u序列（text，filters='！“\$%&（）*+，-./：？@[\]^{\}~\t\n'，lower=True，split=“”）
打印（列表）
word\u index=imdb.get\u word\u index（）
x_测试=[[word_索引中的w表示列表中的w，如果word_索引中的w表示w]]
预测=模型预测（x_检验）
打印（预测）

我输入了各种输入，如“糟糕的视频”、“精彩绝伦”或“很棒”、“糟糕极了”。对于类似的糟糕主题输入，输出范围从接近1到接近1，对于良好主题输入，我已经看到了0.3ish的预测。我预计正面输入应该接近1，负面输入应该接近0

为了解决这个问题，我在训练和预测时限制了maxlen=20，因为Youtube的评论要短得多，同样的代码会再次运行。这次预测过程中的概率都是e^insert大的负幂

我没有办法调整和重用现有的数据集吗？如果没有，因为标记的Youtube评论数据集没有那么广泛，我是否应该使用类似于Twitter评论数据集的东西，以牺牲Keras中预构建的IMDB输入模块的效率为代价？我有没有办法看到这些模块的代码

---

提前感谢您回答所有这些问题。

IMDb数据集和YouTube评论之间的区别非常不同，因为与评论和推文相比，电影评论非常长且广泛

在公开的数据集上训练模型可能更有帮助（例如，Tweets，可能更符合YT评论）。然后，您可以使用预先训练的模型，并在YT评论数据集上对其进行微调。利用一些预先训练的单词嵌入也很有用，例如globe和word2vec

或者，你也可以研究使用来分析评论。

正如你所说，我一直在努力，但这让我在tweet中的每个字都有自己的情感输出。将其与LSTM IMDB网络相结合能解决这个问题吗？