我现在正在研究一个包括句子情感分析的项目 . 我得到了本教程的帮助：https://github.com/rvinas/sentiment_analysis_tensorflow
在这个模型中，我使用的CSV文件包含标记为正或负的推文句子 . 我有几个问题：
1.如果我使用像'skip-gram'模型这样的word2vec算法，然后将嵌入层送到这个网络，会有区别吗？或者它与初始化的随机矩阵相同，让网络在训练过程中自己学习单词？
2.如果我使用大型数据集，我可以如何改进模型？假设我使用了100,000个样本..什么是隐藏层/批处理/训练步骤参数可以提供最佳性能？我知道没有基本规则，但我想知道是否有某些确定限制我必须考虑 .
3.如何使用Tensorflow投影仪绘制正/负分类结果？我创建了一个'metadata.tsv'，它由我的词典中的单词组成，但我希望有可能为正面和负面分类着色
1 回答
我不能回答第3点 . 但是第1点，是的，有很多不同之处，我建议你传递嵌入向量，因为网络可以在语义上下文中学习超参数 . 第2点建议您通过搜索word2vec和lstm来查看Google学者的现有研究 . 我相信在这方面已经进行了研究 .