課程大綱：

在線民宿 UGC 數(shù)據挖掘培訓

1 Pandas 數(shù)據聚合

2 TensorFlow 模型搭建

3 NLP 文本處理

4 Word2Vec 詞向量訓練

5 Gensim 下的 LDA 主題自動聚類

6 Stacking 集成情感分析

7 深度 GRU 情感分析

8 Flask API 搭建情感分析接口

9 百度 LBS 地理位置信息采集

10 Scikit-learn 模型搭建

11 Pyecharts 可視化

12 KMeans 下的詞向量自動聚類

13 LDAvis 主題可視化

14 深度 CNN 情感分析

15 低代碼下的 LitNlp 深度情感分析

16 Python 使用 POST 和 GET 進行接口請求

1
快速實現(xiàn)民宿整體的意見挖掘

1.Pandas數(shù)據聚合

2.數(shù)據EDA

3.貝葉斯情感分析建模

4.模型評測

5.情感極性可視化

2
利用 pyecharts 進行可視化分析

1.數(shù)據清洗

2.數(shù)據特征處理

3.數(shù)據聚合

4.pyecharts可視化

3
民宿地理位置可視化分析

1.Requests接口請求

2.基于百度LBS接口解析地理位置信息

3.地理數(shù)據聚合

4.pyecharts地理信息可視化

4
基于字典的評論主題挖掘

1.詞性標注

2.主題句切分

3.TFIDF關鍵詞挖掘

4.主題分布可視化

5
基于詞向量的主題聚類挖掘

1.名詞抽取

2.Word2Vec詞向量訓練

3.佳聚類個數(shù)選取

4.KMeans主題聚類

6
基于 LDA 模型的評論主題挖掘

1.評價數(shù)據清洗

2.LDA主題建模

3.佳主題數(shù)選取

4.LDAvis主題分布可視化

7
文本自動化標注和數(shù)據采樣

1.特征工程

2.數(shù)據自動化標注

3.數(shù)據采樣

4.采樣結果評測

8
集成模型在情感分析中的應用

1.特征工程

2.情感建模

3.Stacking集成建模

4.主題情感可視化

9
深度模型在情感分析中的應用

1.數(shù)據預處理

2.詞級和字符級的文本分詞

3.深度情感分類模型

4.深度學習模型測試

10
部署深度情感推理模型

1.litNlp使用

2.FlaskAPI開發(fā)

3.模型部署

4.情感極性批量預測

基于 Pandas 和 pyecharts 的數(shù)據聚合和可視化分析。

主題建模實戰(zhàn)，包括：詞頻排序模型下的主題詞云分析、基于 Word2Vec 詞向量下的 KMeans 名詞聚類、LDA 主題建模。

針對數(shù)據集標簽失衡問題，實驗分析了不用數(shù)據采樣方式對情感分析模型性能的影響。

介紹了基于 Stacking 的集成模型和深度情感分析模型在用戶評論情感建模上的性能差異，

然后針對深度模型分別使用字符級和詞語級進行建模來比較差異，深度模型具體有 TextCNN 和 GRU。

主要實現(xiàn)模型的部署，使用 Flask 框架對 litNlp 深度情感分析模型進行 RESTful API 部署，實現(xiàn)情感極性預測通過網絡接口進行服務。