使用LSTM模型进行微博文本csv文件情感分类的代码

以下是使用LSTM模型进行微博文本csv文件情感分类的代码，其中使用了Keras框架和tensorflow作为后端：

import pandas as pd
import numpy as np
from keras.utils import to_categorical
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense

# 读取csv文件
df = pd.read_csv('weibo.csv')

# 将情感标签转化为数字
df['sentiment'] = df['sentiment'].replace({'positive': 1, 'negative': 0})

# 分离文本和情感标签
X = df['review'].values
y = df['sentiment'].values

# 对文本进行分词和序列化
tokenizer = Tokenizer(num_words=5000)
tokenizer.fit_on_texts(X)
X = tokenizer.texts_to_sequences(X)

# 对序列进行填充
X = pad_sequences(X, maxlen=50)

# 对情感标签进行独热编码
y = to_categorical(y)

# 构建LSTM模型
model = Sequential()
model.add(Embedding(input_dim=5000, output_dim=50, input_length=50))
model.add(LSTM(units=256, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(units=2, activation='softmax'))

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

# 训练模型
model.fit(X, y, batch_size=128, epochs=10, validation_split=0.2)

# 保存模型
model.save('weibo_lstm.h5')

这段代码首先读取了一个名为weibo.csv的csv文件，并将其中的情感标签（positive或negative）转换为数字（1或0），然后对文本进行分词和序列化，并对情感标签进行独热编码。接着，使用Keras框架构建了一个包含Embedding层、LSTM层和Dense层的模型，并编译了模型。最后，使用训练集对模型进行训练，并将训练好的模型保存为weibo_lstm.h5文件。