情感分析的最佳预处理技术是什么？答案

【问题标题】：What are the best Pre-Processing techniques for Sentiment Analysis.?情感分析的最佳预处理技术是什么？
【发布时间】：2018-04-12 22:09:43
【问题描述】：

我正在尝试将评论数据集分为两类，即 A 类和 B 类。我正在使用 LightGBM 进行分类。

我已经多次更改分类器的参数，但我无法获得巨大的结果差异。

我认为问题在于预处理步骤。我定义了一个如下所示的函数来处理预处理。我使用了Stemming 并删除了stopwords。我不知道我错过了什么。我试过LancasterStemmer和PorterStemmer

stops = set(stopwords.words("english"))
def cleanData(text, lowercase = False, remove_stops = False, stemming = False, lemm = False):
    txt = str(text)
    txt = re.sub(r'[^A-Za-z0-9\s]',r'',txt)
    txt = re.sub(r'\n',r' ',txt)

    if lowercase:
        txt = " ".join([w.lower() for w in txt.split()])

    if remove_stops:
        txt = " ".join([w for w in txt.split() if w not in stops])

    if stemming:
        st = PorterStemmer()
        txt = " ".join([st.stem(w) for w in txt.split()])

    if lemm:
        wordnet_lemmatizer = WordNetLemmatizer()
        txt = " ".join([wordnet_lemmatizer.lemmatize(w) for w in txt.split()])
    return txt

是否需要进行更多的预处理步骤才能获得更高的准确性？

数据集的网址：Dataset

编辑：

我使用的参数如下所述。

params = {'task': 'train',
    'boosting_type': 'gbdt',
    'objective': 'binary',
    'metric': 'binary_logloss',
    'learning_rate': 0.01, 
    'max_depth': 22, 
    'num_leaves': 78,
    'feature_fraction': 0.1, 
    'bagging_fraction': 0.4, 
    'bagging_freq': 1}

我已经更改了depth 和num_leaves 参数以及其他参数。但是准确率有点卡在某个水平..

【问题讨论】：

您的停用词列表中是否有任何带有负面含义的术语（例如“not”）？
你确定这是关于预处理的，我觉得没问题吗？你用多少个词来构建你的输入向量，1 个词向量，2 个词向量，3...，？什么是数据集和标签？如果数据集是公开的，您是否将您的结果与其他尝试进行了比较？
参加比赛。数据集是公开的。我将使用数据集的 URL 编辑问题。就目前最好结果的准确性而言，我的结果大约低了 2%。
我认为它与预处理有关。我已经运行了几乎所有的参数组合。！！
现在我尝试了WordNetLemmatizer，准确率提高了1%。！！我会再次尝试调参，让你知道结果！！

标签： machine-learning nlp sentiment-analysis lightgbm

【解决方案1】：

有几点需要考虑。首先，您的训练集不平衡 - 类分布约为 70%/30%。你需要在训练中考虑这个事实。您正在使用哪些类型的功能？使用正确的功能集可以提高您的性能。

【讨论】：

是的，训练数据不平衡。我使用LightGBM 进行分类。我将发布编辑中使用的参数。！！
关于如何处理不平衡的任何建议？
您可以尝试 SMOTE 或单面采样。