Word Embedding需以规整词索引序列和语义结构为前提，其价值在于将文本转化为可学、可比、可泛化的向量表示；预处理强调选择性去噪、一致分词、权衡大小写与停用词、果断处理低频词；Embedding层三参数（input_dim、output_dim、input_length）需精准配置；特征构建宜用平均池化、LSTM或注意力机制；评估须结合混淆矩阵、F1-score、人工抽检与词向量可视化。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
Word Embedding不是万能的“魔法开关”，它真正起作用的前提是：文本被规整地转化为词索引序列，且这些索引能准确反映语义结构。在情感分析中，它的价值不在于单独存在，而在于把原始文字变成模型可学、可比、可泛化的向量表示——这一步做不好，后面再复杂的网络也难挽回。
数据预处理：让文本“听话”
预处理不是机械清洗，而是为Embedding层准备语义友好的输入。关键动作包括：
-
去噪有选择性：移除HTML标签（如
<html>）、URL和无关符号，但保留感叹号、问号等可能承载情感强度的标点； - 分词要一致：统一用空格或标准工具（如NLTK或jieba）切分，避免“看电影”被拆成“看/电影”还是“看电影”这种不一致；
- 大小写与停用词需权衡：小写化通常必要；停用词（如“的”“and”）在逻辑回归+Word2Vec中常被剔除，但在训练Embedding层时可保留——因为上下文建模需要它们；
-
低频词处理要果断：出现少于3次的词统一替换为
<UNK>，防止词汇表膨胀和稀疏噪声干扰向量学习。
Embedding层配置：三个参数决定效果上限
Keras中Embedding(input_dim, output_dim, input_length)三个参数各有分工：
-
input_dim：即词汇表大小，应设为len(vocab) + 1（+1留给<PAD>填充位），不能盲目设大； -
output_dim：词向量维度，IMDb类英文任务常用100–300；中文场景因字词更密集，128或256已足够； -
input_length：每条样本固定长度，由序列填充（padding）后统一设定，建议取训练集中95%分位数的长度，避免截断重要信息或引入过多无意义零。
特征构建：从词向量到句子表征
Embedding层输出是三维张量(batch_size, seq_len, embed_dim)，后续模型如何利用它，决定了情感判别能力：
- 全局平均池化：对每个样本的词向量沿时间轴取均值，得到固定长度句向量，适合MLP或逻辑回归；
- LSTM/GRU接续：保留时序结构，让模型自主关注关键词（如“但是”之后的内容常反转情感）；
- 注意力机制：给不同词分配权重，例如“极差”比“一般”获得更高注意力得分；
- 慎用简单拼接：直接flatten成长向量易丢失位置关系，不推荐作为首选。
模型评估：不止看准确率
情感分析是典型类别均衡但业务敏感的任务，单看准确率容易误判：
- 必须看混淆矩阵：尤其关注负面评论被误判为正面的比例（假阳性），这在客服场景中代价极高；
- F1-score比准确率更稳：当正负样本比例波动（如新上线产品差评突增），F1能更好反映模型鲁棒性；
- 人工抽检难例：抽20–50条预测错误但置信度高的样本，检查是数据标注问题、领域迁移问题，还是模型确实理解偏差；
- 词向量可视化辅助诊断：用t-SNE降维后观察“好”“优秀”“棒”是否聚类，“差”“烂”“失望”是否靠近——若语义簇混乱，说明Embedding没学好，需回溯预处理或调参。
