製品レビューの分析: ユーザーが商品に関するレビューを投稿する場合、そのレビューを感情分析して、肯定的なレビューと否定的なレビューを区別することができます。これにより、顧客の意見や好みを理解し、製品の改善点を特定することができます。 これを深層学習でPython
感情分析タスクを深層学習で行うための基本的なスクリプトを示します。この例では、KerasとTensorFlowを使用して、LSTM（Long Short-Term Memory）というリカレントニューラルネットワーク（RNN）を構築します。LSTMは、シーケンスデータの分析に適したモデルであり、自然言語処理タスクに広く使用されています。
python
import numpy as np from tensorflow.keras.preprocessing.text import Tokenizer from tensorflow.keras.preprocessing.sequence import pad_sequences from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Embedding, LSTM, Dense, Dropout from sklearn.model_selection import train_test_split # サンプルのレビューデータ（肯定的なレビューと否定的なレビュー） positive_reviews = ["素晴らしい商品です。大満足しています。", "非常に良い品質です。おすすめします。", "最悪の商品です。絶対に買わないでください。", "期待外れの商品でした。返品します。"] negative_reviews = ["商品の品質が悪い。すぐに壊れた。", "到着が遅すぎる。不満です。", "返品したいくらい失望しました。", "全く機能しません。詐欺商品だと思います。"] # ラベルの作成（0: 否定的なレビュー, 1: 肯定的なレビュー） labels = np.concatenate([np.zeros(len(negative_reviews)), np.ones(len(positive_reviews))]) # レビューデータの結合 all_reviews = negative_reviews + positive_reviews # テキストのトークン化とシーケンス化 tokenizer = Tokenizer() tokenizer.fit_on_texts(all_reviews) sequences = tokenizer.texts_to_sequences(all_reviews) # シーケンスのパディング maxlen = max([len(x) for x in sequences]) padded_sequences = pad_sequences(sequences, maxlen=maxlen) # 訓練データとテストデータの分割 X_train, X_test, y_train, y_test = train_test_split(padded_sequences, labels, test_size=0.2, random_state=42) # モデルの構築 model = Sequential() model.add(Embedding(input_dim=len(tokenizer.word_index)+1, output_dim=32, input_length=maxlen)) model.add(LSTM(64)) model.add(Dropout(0.5)) model.add(Dense(1, activation='sigmoid')) # モデルのコンパイル model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy']) # モデルの学習 model.fit(X_train, y_train, epochs=10, batch_size=16, validation_data=(X_test, y_test)) # テストデータでの評価 loss, accuracy = model.evaluate(X_test, y_test) print("Test Accuracy:", accuracy)
このスクリプトでは、ポジティブなレビューとネガティブなレビューのサンプルデータが与えられています。それらのレビューデータをトークン化し、シーケンス化し、パディングしてから、LSTMを使用したモデルを構築しています。最後に、モデルを訓練し、テストデータで評価しています。
このスクリプトを実行すると、感情分析モデルが肯定的なレビューと否定的なレビューを区別する能力を学習し、テストデータでの精度が表示されます。