- 综合排序
- 最热优先
- 最新优先
- 来自专栏程序萌部落
重写Hexo豆瓣影评插件
原插件 hexo-douban 的不足： 书影音、大部分人就想放影评 样式不好看，字体大小的一致性即颜色 渲染全部观影记录，几百部电影会导致有几十页翻页，臃肿 单纯的构造豆瓣原页面，在“已看”列表中，只会出现短评内容 ，长影评是另外的部分 构造的页面目录较深，和博客其他部分关联度不够 主题兼容性问题，valine部分的缺失 移动端界面不适配/合适 对应的应对措施： 砍掉多余部分 适当的美化了CSS 设置拉取列表的长度控制 ： 原项目固有特性； 重构模板页面，支持移动适配； 补全列表影评内容，支持短评和长影评（核心）； 支持生成指定长度的列表（对于观影数量较多的用户）； 样式inline化，允许直接嵌入同源其他页面；<div true movie: title: '生成页面的标题' quote: '生成页面的内容的导语' length: 2 valine_id: WbLE88qfAcz4hSI5 测试 执行 hexo clean && hexo generate && hexo server，之后访问 localhost:4000/movies 即可访问生成的影评页面。
1K00发布于 2020-12-22 - 来自专栏软件研发
IMDB影评数据集入门
IMDB影评数据集入门在自然语言处理（NLP）领域中，IMDB影评数据集是一个非常流行的数据集，它包含了来自IMDB网站的电影影评，其中包括了正面评价和负面评价。 ，解压后我们可以得到一个名为 IMDB Dataset.csv 的文件，该文件包含了50,000条电影影评以及每条影评的正面或负面标签。 IMDB影评数据集是一个常用的情感分析数据集，它包含了大量的电影评论和对应的情感标签（正面或负面）。尽管IMDB影评数据集在情感分析任务上非常有价值，但它也有一些缺点。 以下是IMDB影评数据集的一些缺点以及类似数据集的介绍：标签质量问题：IMDB影评数据集的情感标签由人工标注，因此存在标签质量可能不一致的问题。 类似于IMDB影评数据集的其他情感分析数据集包括：Amazon电影评论数据集：这个数据集与IMDB类似，包含大量的电影评论和情感标签。
3.6K30编辑于 2023-10-19 - 来自专栏机器学习/数据可视化
深度学习实战-电影评论分类
第一个深度学习实战案例：电影评论分类 开始深度学习的内容，本文是《Python深度学习》一书中的实战案例：电影评论的二分类问题。 训练集和测试集 这是一个典型的二分类问题。 负面 1-正面 In [3]: train_data.shape Out[3]: (25000,) In [4]: type(train_data) Out[4]: numpy.ndarray In [5] validation_data=[x_val,y_val] # 验证数据 ) Epoch 1/20 30/30 [==============================] - 5s ===========] - 1s 33ms/step - loss: 0.1799 - acc: 0.9411 - val_loss: 0.2829 - val_acc: 0.8854 Epoch 5/ ===] - 1s 26ms/step - loss: 0.1669 - accuracy: 0.9412 782/782 [==============================] - 4s 5ms
38510编辑于 2023-08-23 - 来自专栏python学习指南
Python爬虫(二十)_动态爬取影评信息
= SpiderMain() spier.crawl('http://theater.mtime.com/China_Jiangsu_Province_Nanjing/') 参考： 爬取时光网影评
1.2K90发布于 2018-01-17 - 来自专栏毛利学Python
回顾——keras电影评价预测
学习一时爽，一直学习一直爽 回顾以前的笔记 （于3月份记录的） 在keras中，内置了imdb电影评分数据集，来进行评价预测 安装keras conda install keras conda就帮依赖全部搞定 from keras.datasets import imdb 数据集简要说明 一个长长的英文句子，有的有几千单词，有的有几十，分类成好的评价和不好的评价 在数据中不是单词，而是单词的索引 一共就5万句子
83430发布于 2019-10-12 - 来自专栏ReganYue's Blog
【爬虫】豆瓣影评爬虫使用教程
4.获取电影id的方法：打开电影简介，然后查看网址，下面圈出的部分就是电影id； 5.然后就爬取了影评，保存在csv文件中。
2.1K30发布于 2021-09-16 - 来自专栏一英里广度一英寸深度的学习
SparkSQL 电影评价数据分析
approximately 3,900 movies made by 6,040 MovieLens users who joined MovieLens in 2000. 2000年，100万条电影评价数据集 M| 73| | 4| F| 234| | 4| M| 525| | 5| M| 81| | 5| F| 31| | 6| F| 102| | 6 9| 89| 3| | 8| 3| 14| | 7| 139| 540| | 6| 102| 134| | 5| ratingMovie.filter((FilterFunction<Row>) row ->{ if(row.getString(5).indexOf("Phantasm
1.2K30发布于 2018-09-12 - 来自专栏若城技术专栏
Python selenium爬取影评生成词云图
运行命令 pip install selenium jieba wordcloud matplotlib numpy 进行下载
56910编辑于 2024-02-29 - 来自专栏数据科学和人工智能
数据集 | IMDB电影评论数据集
下载数据集请登录爱数科(www.idatascience.cn) 本数据集为由斯坦福大学发布的IMDB电影评论数据集，包含25000条英文的电影评论及其情感标签，可用于情感分析任务。 1.
1.6K30编辑于 2022-03-30 - 来自专栏AI 算法笔记
Python登录豆瓣并爬取影评
而豆瓣口碑一直不错，有些书或者电影的推荐都很不错，所以我们今天来爬取下豆瓣的影评，然后生成词云，看看效果如何吧！ 二、功能描述 我们使用requests库登录豆瓣，然后爬取影评，最后生成词云！ 三、技术方案 我们看下简单的技术方案，大致可以分为三部分： 分析豆瓣的登录接口并用requests库实现登录并保存cookie 分析豆瓣影评接口实现批量抓取数据 使用词云做影评数据分析 方案确定之后我们就开始实际操作吧 五、爬取影评 我们实现了登录和保存会话状态之后，就可以开始干正事啦！ 然后下拉找到影评，调出调试窗口，找到加载影评的URL ? 2.爬取一条影评数据 ? 但是爬取下来的是一个HTML网页数据，我们需要将影评数据提取出来 ? 3.影评内容提取 上图中我们可以看到爬取返回的是html，而影评数据便是嵌套在html标签中，如何提取影评内容呢？
1.9K20发布于 2019-08-16 - 来自专栏云深之无迹
AI崩坏 AI崩壊 (2020)影评
其实说了AI崩坏,到不如说是人的崩坏.就是有一对夫妇,是搞深度学习的.收集很多指标,来辅助植物体生长.然后女友说,那植物ojbk了!是不是人类基因也ojbk了?然后男主,嗯嗯啊啊啊啊啊,你说对.
71310发布于 2021-04-14 - 来自专栏Michael阿明学习之路
电影评分
02-12 | | 1 | 4 | 1 | 2020-01-01 | | 2 | 1 | 5
53020发布于 2021-02-19 - 来自专栏小红豆的数据分析
《超神学院》《雄兵连》影评
每一个时代都有它独特的记忆风景。我不能说我青春的回忆就是英雄联盟，一是我的青春还未逝去，二是那样说也显得我的记忆太过苍白。可我永远也无法忘记和室友们一起去开黑的日子。
1.7K30发布于 2018-10-10 - 来自专栏Python自动化测试
豆瓣电影评分数据分析
movies)) titleRates=[] for rate in rates: titleRates.append(int(float(rate))) bar=Bar('豆瓣电影评分数据分析
1.6K20发布于 2018-12-25 - 来自专栏Python中文社区
《战狼Ⅱ》豆瓣十二万影评浅析
这个是影评的起始页：豆瓣影评 以下是Python爬虫的代码: ? 以上代码注意设置你自己的User-Agent，Cookie，CSV保存路径等。 爬取的内容保存成CSV格式的文件。 五角星的个数对应5个等级，5颗星代表力荐，4颗星代表推荐，3颗星代表还行，2颗星代表较差，1颗星代表很差。通过五角星的评论显而易见。我们有理由相信绝大部分观看者对这部影片持满意态度。 5.很差的评论人的评论云图 ? 结论： 从不同的评论的分词结果来看，他们都有一个共同的话题：爱国。
78170发布于 2018-02-01 - 来自专栏陶陶计算机
NLP项目实战01--电影评论分类
具体而言，我们将关注情感分析任务，即通过分析电影评论的情感来判断评论是正面的、负面的。 展示： 训练展示如下： 实际使用如下： 实现方式： 选择PyTorch作为深度学习框架，使用电影评论IMDB数据集，并结合torchtext对数据进行预处理。 torchdata==0.7.1 torchtext==0.9.2 torchvision==0.9.2+cu102 实现思路： 1、数据集 本次使用的是IMDB数据集，IMDB是一个含有50000条关于电影评论的数据集 pooled) pooled = self.dropout(pooled) output = self.fc(pooled) return output 5、
72610编辑于 2023-12-09 - 来自专栏AI
如何准备电影评论数据进行情感分析
How-to-Prepare-Movie-Review-Data-for-Sentiment-Analysis.jpg 教程概述 本教程分为5个部分; 他们是： 电影评论数据集 加载文本数据 清理文本数据 开发词汇 保存准备好的数据 1.电影评论数据集 “电影评论数据”是由Bo Pang和Lillian Lee于21世纪初从imdb.com网站上收集的电影评论。 这里我们将使用5次发生。 # 保持词条出现次数 > 5 min_occurane = 5 tokens = [k for k,c in vocab.items() if c >= min_occurane] print(len( 接下来，我们可以看看使用词汇来创建电影评论数据集的准备版本。 5.保存准备好的数据 我们可以使用数据清理和选择词汇来准备每个电影评论，并保存准备建模的评论数据准备版本。
4.8K80发布于 2018-02-06 - 来自专栏全栈开发那些事
一维卷积英语电影评论情感分类项目
一维卷积英语电影评论情感分类项目 1、一维卷积英语电影评论情感分类项目 1.1 项目数据和模型说明 1.2 一维卷积英语电影评论情感分类程序 1、一维卷积英语电影评论情感分类项目 1.1 项目数据和模型说明 我们要使用的数据集是 IMDB 电影评论数据集，数 据分为正面评论和负面评论。
39630编辑于 2023-02-25 - 来自专栏深度应用
实战四· Embedding实现 IMDB数据集影评文本分类
[Keras深度学习浅尝]实战四· Embedding实现 IMDB数据集影评文本分类 此实战来源于TensorFlow Keras官方教程 先更新代码在这里，后面找时间理解注释一下。 (train_data[1]) [1, 14, 22, 16, 43, 530, 973, 1622, 1385, 65, 458, 4468, 66, 3941, 4, 173, 36, 256, 5, 25, 100, 43, 838, 112, 50, 670, 2, 9, 35, 480, 284, 5, 150, 4, 172, 112, 167, 2, 336, 385, 39, 4, 172 62, 386, 12, 8, 316, 8, 106, 5, 4, 2223, 5244, 16, 480, 66, 3785, 33, 4, 130, 12, 16, 38, 619, 5, 25 38 619 5 25 124 51 36 135 48 25 1415 33 6 22 12 215 28 77 52 5
1.4K30发布于 2019-06-27 - 来自专栏校园技术布道师
电影评论小程序demo的食用说明
| PC上测试“发布音频影评”可能会出现错误，因为PC端微信开发者工具暂不支持录音上传，请使用“真机测试”功能在手机上测试“发布音频影评”。 编辑、发布影评（可编辑、发布文本、音频两种形式的影评） 4. 收藏影评 5. 查看已收录的所有电影 6. 查看某电影的所有影评 7. 查看某影评详情（详情页可跳转至自己对该电影的影评） 8. 查看自己的影评历史 9. 查看自己的影评收藏夹 小程序源码部分目录说明： Tips：wafer2框架前后端分离，client为前端目录，server为后端目录。 css)]与逻辑（.js javascript） Home：主页，推荐电影与热评 List：电影列表（所有电影）页 Detail：电影简介页 User：用户个人中心页 CommentList：某电影的影评列表 （所有影评）页 CommentDetail：影评详情页 CommentEdit：影评编辑、预览、发布页 Utils: wafer2框架提供的一些库函数：时间格式化显示等。
1.1K30发布于 2020-04-07
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号