lstm情感分析代码

LSTM（长短时记忆网络）是一种递归神经网络结构，特别适合处理序列数据，如文本情感分析。下面是一个简单的Python代码示例，使用Keras库（现在已被TensorFlow集成）来创建一个基本的情感分析模型：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Embedding

# 假设我们有词汇表大小、最大单词长度和类别数
vocab_size = 10000
max_seq_length = 50
num_classes = 5  # 情感类别数

# 构建模型
model = Sequential()
model.add(Embedding(vocab_size, 128, input_length=max_seq_length))
model.add(LSTM(64, return_sequences=True))  # 长短期记忆层
model.add(LSTM(32))  # 可选，第二个LSTM层用于更深的学习
model.add(Dense(num_classes, activation='softmax'))  # 输出层，用softmax激活函数表示多分类

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 假设X_train和y_train是训练数据的输入和标签
model.fit(X_train, tf.keras.utils.to_categorical(y_train), epochs=10, batch_size=32)

# 对新的句子进行情感分析
def predict_sentiment(sentence):
    sentence_encoded = ...  # 将句子编码成模型接受的形式
    prediction = model.predict(sentence_encoded)
    class_index = np.argmax(prediction)  # 获取预测概率最高的类别
    return class_index

这只是一个基础框架，实际应用中可能需要预处理数据（例如分词、填充零等）、构建更复杂的特征以及对超参数进行调整。