IMDb电影评论情感分析 - CNN+RNN混合模型

项目简介

本项目使用深度学习方法对IMDb电影评论进行情感分析（二分类：正面/负面）。项目实现了多种CNN+RNN混合模型，并对性能进行对比分析，同时支持注意力可视化与结果报告输出。

包含三个实验组：

• 经典组：标准CNN+RNN模型（准确率~88%）
• 改进组：优化CNN+RNN模型（双向RNN + BatchNorm）
• 超强组：更先进架构（多尺度CNN + 残差 + BiRNN + Masked Attention）

模型清单（按实验组）

经典组（models.py）

• CNN+SimpleRNN
• CNN+GRU
• CNN+LSTM
• CNN_Only
• RNN_Only_LSTM

改进组（models_advanced.py）

• Advanced_CNN+BiSimpleRNN
• Advanced_CNN+BiGRU
• Advanced_CNN+BiLSTM

超强组（models_ultra.py）

• Ultra_MSResCNN+LSTM+Attention
• Ultra_MSResCNN+BiGRU+Attention
• Ultra_ResCNN+BiGRU+Attention
• Ultra_TextCNN+BiLSTM_PoolCat

项目结构

.
├── data_loader.py      # 数据加载和预处理模块
├── models.py           # 经典CNN+RNN模型定义
├── models_advanced.py  # 改进CNN+RNN模型定义
├── models_ultra.py     # 超强CNN+RNN模型定义
├── attention_visualizer.py  # 注意力可视化工具
├── trainer.py          # 训练和评估模块
├── visualizer.py       # 训练曲线/对比图可视化模块
├── main.py             # 统一主程序入口
├── requirements.txt    # 依赖包列表
├── README.md           # 项目说明文档
├── results/            # 经典组输出目录
├── results_advanced/   # 改进组输出目录
└── results_ultra/      # 超强组输出目录（含 attention/）

环境要求

• Python 3.7+
• TensorFlow 2.10+
• NumPy 1.21+
• Matplotlib 3.5+
• scikit-learn 1.0+

安装依赖

pip install -r requirements.txt

使用方法

运行统一入口（推荐）

python main.py

统一入口说明：

• main.py 内部包含经典/改进/超强三组模型
• 可在 main.py 中修改 run_groups 控制要运行的实验组
• 默认输出目录：results/、results_advanced/、results_ultra/

超强组关键增强

• Masked Attention：忽略padding，注意力更稳更可解释
• 多尺度CNN + 残差块：提升特征表达
• AdamW + warmup+cosine 学习率（若可用）
• 输出包含 attention 可视化（默认保存到 results_ultra/attention/）

输出结果

运行完成后，各输出目录将包含：

1. *_structure.txt：模型结构
2. *_training_history.png：训练/验证曲线
3. all_models_comparison.png：训练/验证对比图
4. results_comparison.png：指标柱状对比
5. detailed_results.txt：详细指标
6. experiment_summary.txt：实验要求对照说明
7. results_ultra/attention/*.png：注意力可视化图（仅Attention模型）

注意事项

1. 首次运行会自动下载IMDb数据集（约80MB）
2. 超强组计算量更大，建议使用GPU
3. 如需预训练词向量，可设置环境变量：
   • USE_GLOVE=1
   • GLOVE_PATH=path/to/glove.6B.300d.txt

参考资料

• https://keras.io/
• https://www.tensorflow.org/
• https://ai.stanford.edu/~amaas/data/sentiment/

许可证

MIT License