使用深度学习模型在 Java 中执行文本情感解析

斯坦福 CoreNLP 情感分类器
要执行情感分析，您需要一个情感分类器，这是一种可以根据从训练数据集中学习的预测来识别情感信息的工具。
 
在斯坦福 CoreNLP 中，情感分类器建立在递归神经网络 (RNN) 深度学习模型之上，该模型在斯坦福情感树库 (SST) 上进行训练。
 
SST 数据集是一个带有情感标签的语料库，从数千个使用的句子中推导出每个句法上可能的短语，从而允许捕获文本中情感的构成效果。简单来说，这允许模型根据单词如何构成短语的含义来识别情绪，而不仅仅是通过孤立地评估单词。
 
为了更好地了解 SST 数据集的结构，您可从斯坦福 CoreNLP 情感分析页面下载数据集文件。
 
在 Java 代码中，Stanford CoreNLP 情感分类器使用如下。
 
首先，您通过添加执行情感分析所需的注释器(例如标记化、拆分、解析和情感)来构建文本处理管道。 就斯坦福 CoreNLP 而言，注释器是一个对注释对象进行操作的接口，其中后者表示文档中的一段文本。 例如，需要使用 ssplit 注释器将标记序列拆分为句子。
 
斯坦福 CoreNLP 以每个句子为基础计算情绪。 因此，将文本分割成句子的过程始终遵循应用情感注释器。
 
首先，实现一个NlpPipeline类，该类提供初始化管道的方法和使用此管道将提交的文本拆分为句子然后对每个句子的情感进行分类的方法。 下面是NlpPipeline类代码：
 
package com.zh.ch.corenlp;
 
import edu.stanford.nlp.ling.CoreAnnotations;
import edu.stanford.nlp.neural.rnn.RNNCoreAnnotations;
import edu.stanford.nlp.pipeline.Annotation;
import edu.stanford.nlp.pipeline.StanfordCoreNLP;
import edu.stanford.nlp.sentiment.SentimentCoreAnnotations;
import edu.stanford.nlp.trees.Tree;
import edu.stanford.nlp.util.CoreMap;
 
import java.util.Properties;
 
public class NlpPipeline {
    StanfordCoreNLP pipeline = null;
    public  void init()
    {
        Properties props = new Properties();
        props.setProperty("annotators", "tokenize, ssplit, parse, sentiment");
        pipeline = new StanfordCoreNLP(props);
    }
    public void estimatingSentiment(String text)
    {
        int sentimentInt;
        String sentimentName;
        Annotation annotation = pipeline.process(text);
        for(CoreMap sentence : annotation.get(CoreAnnotations.SentencesAnnotation.class))
        {
            Tree tree = sentence.get(SentimentCoreAnnotations.SentimentAnnotatedTree.class);
            sentimentInt = RNNCoreAnnotations.getPredictedClass(tree);
            sentimentName = sentence.get(SentimentCoreAnnotations.SentimentClass.class);
            System.out.println(sentimentName + "\t" + sentimentInt + "\t" + sentence);
        }
    }
}
init() 方法初始化StanfordCoreNLP 管道，它还初始化使用该情感工具所需的分词器、依赖解析器和句子拆分器。 要初始化管道，请将带有相应注释器列表的 Properties 对象传递给 StanfordCoreNLP() 构造函数。 这将创建一个定制的管道，准备好对文本执行情感分析。
 
在NlpPipeline类的estimatingSentiment()方法中，调用之前创建的管道对象的process()方法，传入文本进行处理。 process() 方法返回一个注释对象，该对象存储对提交的文本的分析。
 
接下来，迭代注释对象，在每次迭代中获得一个句子级 CoreMap 对象。对于这些对象中的每一个，获取一个包含用于确定底层句子情绪的情绪注释的 Tree 对象。
 
将 Tree 对象传递给 RNNCoreAnnotations 类的 getPredictedClass() 方法，以提取对应句子的预测情绪的编号代码。然后，获取预测情绪的名称并打印结果。