前面课程中，问题的多标签分类模型，我们已经做完了。这节课开始，正式进入“问题+回答”的情感分析模型部分。

这一部分的数据集，也是业务人员帮我们标注的数据，商品类别还是面霜，训练集是7k条，测试集是2k条。

模型分析

接下来，我们先简单分析一下，这个情感分析模型，和之前的问题分类有什么不同。其实很简单，就一点不同，问题分类的模型，是对一个句子做分类，而情感分析，是“问题+答案”两个句子的组合做分类。并且，情感分类的类别只有三个：好评、中评、差评，训练难度会更小。

Q：能美白吗？ A：不能  -1
Q：能美白吗？ A：还没开始用，不知道  0
Q：能美白吗？ A：坚持用了三个月了，白了不少  1

同样的问题，搭配不同的答案，情感分析的类别也会有所不同。做情感分析的目的，就是通过搜集和分析一个问题的不同答案，统计出不同观念的比例，或者深挖某一类观点的细节，供业务方参考。

代码示例

复制文本分类项目，命名为：Pytorch_Bert_TextCNN_Sentiment，并导入数据集。

1、修改配置项

# config.py
TRAIN_SAMPLE_PATH = './data/input/tb_question_answer_sentiment_7k.xlsx'
TEST_SAMPLE_PATH = './data/input/jd_question_answer_sentiment_2k.xlsx'

QUESTION_TEXT_LEN = 50
ANSWER_TEXT_LEN = 50

NUM_CLASSES = 3
ID2LABEL = ['中评', '好评', '差评']

配置项中的问题长度和答案长度参数，是随意给的一个值，还需要根据实际的数据集，验证参数值是否合理。

2、预处理，统计长度

# process.py
import pandas as pd
from config import *
from utils import *

def count_text_len():
    question_text_len = []
    answer_text_len = []
    df = pd.read_excel(TRAIN_SAMPLE_PATH)
    print(len(df))
    df.dropna(subset=['questionContent', 'answerContent', 'sentiment'], how='any', inplace=True)
    print(len(df))
    for id, row in df.iterrows():
        question_text_len.append(len(row['questionContent']))
        answer_text_len.append(len(row['answerContent']))
    print(len([i for i in question_text_len if i>50]))
    print(len([i for i in answer_text_len if i>50]))

if __name__ == '__main__':
    count_text_len()

这节课，主要是给大家讲解了情感分析模型，和之前做的文本分类模型的不同，然后添加了几个配置项，下节课，就可以开始修改模型部分的代码了。