很多同学都对自然语言处理感兴趣，但是却不知道应该从哪里下手。需要从构建数据集到训练数据，再到测试数据，整个流程确实需要耐心的人才能成功走通。

不过现在有了paddlehub，我们可以先省略掉构建数据集和训练数据这两个步骤，直接拿模型过来分类。一旦简单版的分类成功了，你就会有动力继续前进，继续学习如何训练属于自己的模型。

今天我们用paddlehub中比较简单的情感倾向分析模型 senta_lstm 来对文本做一个简单的积极和消极的分类。

1.准备

为了实现这个实验，Python是必不可少的，如果你还没有安装Python，建议阅读我们的这篇文章哦：超详细Python安装指南。

然后，我们需要安装百度的paddlepaddle, 进入他们的官方网站就有详细的指引：
https://www.paddlepaddle.org.cn/install/quick

根据你自己的情况选择这些选项，最后一个CUDA版本，由于本实验不需要训练数据，也不需要太大的计算量，所以直接选择CPU版本即可。选择完毕，下方会出现安装指引，不得不说，Paddlepaddle这些方面做的还是比较贴心的（就是名字起的不好）。

不过虽然它里面写了这么多，大部分人用一句话安装，打开CMD(Win+R)或者Terminal(Command+空格搜索)输入以下命令即可安装：

pip install paddlepaddle -i https://mirror.baidu.com/pypi/simple

还需要安装paddlehub，这点别忘了：

pip install -i https://mirror.baidu.com/pypi/simple paddlehub

2.编写代码

整个步骤分为三步：

1.加载模型
2.指定待分类文本
3.情感分类

就能得到以下结果：

{'text': '你长得真好看', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9866, 'negative_probs': 0.0134}

{'text': '《黑色四叶草》是部不错的番', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.9401, 'negative_probs': 0.0599}

其中:
1.sentiment_key 代表分类结果，postive是 积极 ，negative是 消极 。
2.sentiment_label 是分类结果标签，1代表 积极 ，0代表 消极 。
3. positive_probs 是积极分类的置信度，0.9866即模型判断98.66%的可能性是正面。
4. negative_probs 与 positive_probs 相对，是消极分类的置信度。

3.结果分析

这么看，你会发现其实在有明显的积极消极词汇面前，这个模型的分类效果还是不错的。那在特殊的例子面前效果又如何呢？我们去微博随便取一条试一下，比如银教授的段子：

分类结果：

{'text': '他们都网上办公、网上学习了，你什么时候跟我网恋？', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0507, 'negative_probs': 0.9493}

竟然意外的分对了虽然是段子，但确实，明显有对方不跟自己网恋的消极态度。

再试试有潜在含义的句子：

{'text': '不想说什么了，听首歌吧。', 'sentiment_label': 0, 'sentiment_key': 'negative', 'positive_probs': 0.0321, 'negative_probs': 0.9679}

{'text': '我忘了世界还有一种人火星人，你从那来的吧。', 'sentiment_label': 1, 'sentiment_key': 'positive', 'positive_probs': 0.7261, 'negative_probs': 0.2739}

第一句分对了，第二句没分对。确实，第二句太隐晦了，机器可能分不出来。不过，置信度并不高，如果真的需要应用这个模型，可以通过置信度过滤掉一些分类。

总的而言，这个模型效果还是不错的，在网上那么多情感分类开源的模型中，百度的这个应该可以打80分左右。而且，它支持你自己做一些微调(Fine-tune)，也就是能够使用自定义的训练集调整模型到你需要的样子，详见github：
https://github.com/PaddlePaddle/models/tree/develop/PaddleNLP/sentiment_classification

如果你喜欢今天的Python 教程，请持续关注菜鸟学Python，如果对你有帮助，麻烦在下面点一个赞/在看，欢迎来留言区点评指导工作！

推荐阅读:
入门: 最全的零基础学Python的问题  | 零基础学了8个月的Python  | 实战项目 |学Python就是这条捷径

量化: 定投基金到底能赚多少钱？  | 我用Python对去年800只基金的数据分析  

干货:爬取豆瓣短评，电影《后来的我们》 | 38年NBA最佳球员分析 |   从万众期待到口碑扑街！唐探3令人失望  | 笑看新倚天屠龙记 | 灯谜答题王 ｜用Python做个海量小姐姐素描图 ｜碟中谍这么火，我用机器学习做个迷你推荐系统电影

趣味:弹球游戏  | 九宫格  | 漂亮的花 | 两百行Python《天天酷跑》游戏!

AI: 会做诗的机器人 | 给图片上色 | 预测收入 | 碟中谍这么火，我用机器学习做个迷你推荐系统电影

小工具: Pdf转Word，轻松搞定表格和水印！ | 一键把html网页保存为pdf！|  再见PDF提取收费！ | 用90行代码打造最强PDF转换器，word、PPT、excel、markdown、html一键转换 | 制作一款钉钉低价机票提示器！ ｜60行代码做了一个语音壁纸切换器天天看小姐姐！｜

年度爆款文案
1).卧槽！Pdf转Word用Python轻松搞定！
2).学Python真香！我用100行代码做了个网站，帮人PS旅行图片，赚个鸡腿吃
3).首播过亿，火爆全网，我分析了《乘风破浪的姐姐》，发现了这些秘密 
4).80行代码！用Python做一个哆来A梦分身 
5).你必须掌握的20个python代码，短小精悍，用处无穷 
6).30个Python奇淫技巧集 
7).我总结的80页《菜鸟学Python精选干货.pdf》,都是干货 
8).再见Python！我要学Go了！2500字深度分析！
9).发现一个舔狗福利！这个Python爬虫神器太爽了，自动下载妹子图片

点阅读原文,领AI全套资料！