文本分类的词嵌入

文本分类的词嵌入方法可以使用预训练的词向量模型，例如Word2Vec、GloVe或FastText，也可以使用自己的数据集训练词向量模型。下面是一个使用预训练的Word2Vec模型进行文本分类的示例代码：

import numpy as np
from gensim.models import Word2Vec
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载预训练的Word2Vec模型
word2vec_model = Word2Vec.load('path_to_word2vec_model')

# 定义文本数据和对应的标签
texts = ['text1', 'text2', 'text3', ...]
labels = [0, 1, 0, ...]  # 0代表负面情感，1代表正面情感

# 将文本转换为词向量
X = []
for text in texts:
    vec = np.zeros(word2vec_model.vector_size)  # 初始化一个全零向量
    for word in text.split():
        if word in word2vec_model:
            vec += word2vec_model[word]  # 将词向量累加到文本向量中
    X.append(vec)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42)

# 训练分类器
clf = SVC()
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

这个示例代码使用了gensim库来加载和使用Word2Vec模型，sklearn库来训练和评估分类器。需要将"path_to_word2vec_model"替换为实际的Word2Vec模型文件路径。