状态: 归档（代码按原样提供，预计不再更新）

生成评论与情感发现

用于 学习生成评论与情感发现 的代码（作者：Alec Radford、Rafal Jozefowicz、Ilya Sutskever）。

目前该代码支持将语言模型用作特征提取器。

from encoder import Model

model = Model()
text = ['demo!']
text_features = model.transform(text)

包含一个演示程序 sst_binary_demo.py，展示了如何利用这些特征进行情感分类，正如论文中针对斯坦福情感树库（SST）二分类版本所报告的那样。此外，该演示还可视化了情感单元的分布，类似于论文中的图3。

另外，@guillitte 还制作了一个 PyTorch 版本，演示了如何从头开始训练模型。

此仓库还包含了我们在 McAuley 等人（2015）[1] 提出的亚马逊产品评论数据集上训练的、具有 4,096 个单元的乘法 LSTM 模型的参数。去重后的数据集包含自 1996 年 5 月至 2014 年 7 月期间超过 8,200 万条产品评论，总训练字节数超过 380 亿字节。训练过程历时一个月，使用四块 NVIDIA Pascal 架构的 GPU 完成，我们的模型每秒可处理 12,500 个字符。

[1] McAuley, Julian, Pandey, Rahul, and Leskovec, Jure. 推断可替代与互补商品网络。载于 第 21 届 ACM SIGKDD 国际知识发现与数据挖掘会议论文集，第 785–794 页。ACM，2015 年。

generating-reviews-discovering-sentiment 快速上手指南

注意：本项目目前处于归档状态（Archive），代码按原样提供，不再接受更新或维护。

环境准备

• 系统要求：Linux 或 macOS（Windows 需自行配置兼容环境）
• Python 版本：推荐 Python 3.6+
• 前置依赖：
  • NumPy
  • TensorFlow (旧版本，具体版本需参考原项目依赖文件)
  • 可选：Matplotlib（用于可视化演示）

💡 国内开发者建议使用清华或阿里镜像源加速依赖安装：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple <package_name>

安装步骤

1. 克隆仓库：

   git clone https://github.com/openai/generating-reviews-discovering-sentiment.git
   cd generating-reviews-discovering-sentiment
   

2. 安装依赖（如有 requirements.txt）：

   pip install -r requirements.txt
   

   若无依赖文件，请手动安装核心库：

   pip install numpy tensorflow==1.4 matplotlib
   

基本使用

1. 提取文本特征

使用预训练模型将文本转换为特征向量：

from encoder import Model

model = Model()
text = ['demo!']
text_features = model.transform(text)

2. 情感分类演示

运行包含的二分类情感分析示例（基于 Stanford Sentiment Treebank）：

python sst_binary_demo.py

该脚本将输出分类结果，并生成类似论文中 Figure 3 的情感单元分布可视化图。

3. 使用 PyTorch 复现版本（可选）

如需从头训练模型，可参考社区提供的 PyTorch 移植版本：

• 项目地址：https://github.com/guillitte/pytorch-sentiment-neuron

---

📌 本模型基于 Amazon 商品评论数据集训练，包含超过 8200 万条评论，适用于英文情感分析与文本特征提取任务。