day 16 Lstm情緒分析安排景點系統

2024 iThome 鐵人賽

DAY 16

Software Development

LSTM結合Yolo v8對於多隻斑馬魚行為分析系列第 16 篇

16th鐵人賽

neilsu02

2024-08-18 23:16:31

222 瀏覽

分享至

今天是第十六天我們可以寫一個情緒分析系統，我們可以用Lstm去預測他的心情進而去安排給使用者的景點，以下是程式碼
情緒資料準備

import numpy as np
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense, Dropout

# 假設我們有一個更大的文本數據集和多分類情緒標籤
texts = ["I am happy today!", "I feel so sad...", "This is exciting!", "I am very anxious", "I am calm and relaxed"]
labels = ["Positive", "Negative", "Positive", "Anxiety", "Calm"]

# 將情緒標籤轉換為數字格式
label_dict = {"Positive": 0, "Negative": 1, "Anxiety": 2, "Calm": 3}
numeric_labels = [label_dict[label] for label in labels]

# 設置參數
max_words = 10000
max_len = 100
embedding_dim = 100

# 文本預處理
tokenizer = Tokenizer(num_words=max_words)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
word_index = tokenizer.word_index

data = pad_sequences(sequences, maxlen=max_len)
labels = to_categorical(np.asarray(numeric_labels))

# 建立模型
model = Sequential()
model.add(Embedding(input_dim=max_words, output_dim=embedding_dim, input_length=max_len))
model.add(LSTM(128, return_sequences=True))
model.add(Dropout(0.5))  # 加入 Dropout 以防止過擬合
model.add(LSTM(64))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4, activation='softmax'))  # 多分類輸出

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 訓練模型
model.fit(data, labels, epochs=20, batch_size=32)

預測情緒

def predict_emotion(text):
    sequence = tokenizer.texts_to_sequences([text])
    data = pad_sequences(sequence, maxlen=max_len)
    prediction = model.predict(data)
    emotion_index = np.argmax(prediction)
    emotion = list(label_dict.keys())[list(label_dict.values()).index(emotion_index)]
    return emotion

input_text = "I feel extremely anxious today."
emotion = predict_emotion(input_text)
print(f"Predicted emotion: {emotion}")

景點推薦

destinations = {
    "Positive": {
        "Summer": ["Beach", "Amusement Park", "Sunny Park"],
        "Winter": ["Ski Resort", "Hot Springs"]
    },
    "Negative": {
        "Summer": ["Museum", "Quiet Library"],
        "Winter": ["Art Gallery", "Mountain Retreat"]
    },
    "Anxiety": {
        "Summer": ["Meditation Center", "Quiet Forest"],
        "Winter": ["Hot Springs", "Peaceful Lake"]
    },
    "Calm": {
        "Summer": ["Zen Garden", "Yoga Retreat"],
        "Winter": ["Calm River", "Winter Forest"]
    }
}

Lstm推薦景點

import random

def recommend_destination(emotion, season="Summer", preferences=None):
    if preferences:
        # 根據用戶偏好過濾景點
        potential_places = [place for place in destinations[emotion][season] if place in preferences]
    else:
        potential_places = destinations[emotion][season]
    
    if not potential_places:
        return ["Home"]  # 當無匹配結果時推薦回家
    
    return random.choice(potential_places)  # 隨機推薦一個景點

# 假設現在是夏天，用戶偏好海灘類景點
recommended_place = recommend_destination(emotion, season="Summer", preferences=["Beach", "Sunny Park"])
print(f"Recommended destination: {recommended_place}")

整合

input_text = "I feel extremely anxious today."
emotion = predict_emotion(input_text)

# 假設我們知道現在是冬天，用戶偏好是「寧靜的自然景觀」
recommended_place = recommend_destination(emotion, season="Winter", preferences=["Peaceful Lake", "Hot Springs"])
print(f"Based on your emotion ({emotion}), we recommend you to visit: {recommended_place}")

當然，我會逐步解釋這個程式碼的每一部分，以幫助你理解它是如何運作的。

1. 情緒預測模型

1.1 資料準備

首先，我們需要準備數據來訓練LSTM模型，這包括文本數據和對應的情緒標籤。

import numpy as np
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.utils import to_categorical
from keras.models import Sequential
from keras.layers import Embedding, LSTM, Dense, Dropout

# 假設我們有一個更大的文本數據集和多分類情緒標籤
texts = ["I am happy today!", "I feel so sad...", "This is exciting!", "I am very anxious", "I am calm and relaxed"]
labels = ["Positive", "Negative", "Positive", "Anxiety", "Calm"]

texts：這是一些樣本句子，用於情緒分類。
labels：這些是對應的情緒標籤，表示每個句子的情緒。

接下來，我們將情緒標籤轉換成數字格式，這樣模型可以理解和處理它們。

label_dict = {"Positive": 0, "Negative": 1, "Anxiety": 2, "Calm": 3}
numeric_labels = [label_dict[label] for label in labels]

label_dict：這是個字典，用來將情緒轉換為數字標籤。
numeric_labels：將文字標籤轉換為數字標籤的列表。

然後，我們進行文本的預處理和轉換，為LSTM模型做好準備。

max_words = 10000
max_len = 100
embedding_dim = 100

tokenizer = Tokenizer(num_words=max_words)
tokenizer.fit_on_texts(texts)
sequences = tokenizer.texts_to_sequences(texts)
word_index = tokenizer.word_index

data = pad_sequences(sequences, maxlen=max_len)
labels = to_categorical(np.asarray(numeric_labels))

max_words：我們只考慮文本中最常見的10000個單詞。
max_len：每個文本序列的最大長度，如果文本太短，會用0來填充；太長則會被截斷。
tokenizer：這是用來將文本轉換為數字序列的工具。
sequences：將每個文本轉換為對應的數字序列。
pad_sequences：將序列填充或截斷到相同的長度max_len。
labels：將數字標籤轉換為one-hot編碼，以適應多分類問題。

1.2 建立和訓練模型

接下來，我們構建了一個多層LSTM網絡，並用來進行情緒分類。

model = Sequential()
model.add(Embedding(input_dim=max_words, output_dim=embedding_dim, input_length=max_len))
model.add(LSTM(128, return_sequences=True))
model.add(Dropout(0.5))  # 加入 Dropout 以防止過擬合
model.add(LSTM(64))
model.add(Dense(32, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(4, activation='softmax'))  # 多分類輸出

model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 訓練模型
model.fit(data, labels, epochs=20, batch_size=32)

Embedding：將每個單詞編碼為向量，這些向量在嵌入層中被學習，input_dim是詞彙表的大小，output_dim是嵌入向量的維度。
LSTM(128, return_sequences=True)：這是第一層LSTM，128是隱藏層的單元數量，return_sequences=True表示每一個時間步都會返回輸出，以便下一層LSTM使用。
Dropout(0.5)：這是為了防止過擬合，每次訓練會隨機「丟棄」50%的神經元。
LSTM(64)：第二層LSTM，這層只返回最後的輸出，適合接下來的全連接層。
Dense(32, activation='relu')：一個全連接層，有32個神經元，使用ReLU激活函數。
Dense(4, activation='softmax')：最終輸出層，根據情緒類別數進行多分類（這裡是4類），softmax確保輸出是概率分佈。

2. 情緒預測與景點推薦

2.1 預測情緒

訓練好模型後，我們可以預測新文本的情緒。

def predict_emotion(text):
    sequence = tokenizer.texts_to_sequences([text])
    data = pad_sequences(sequence, maxlen=max_len)
    prediction = model.predict(data)
    emotion_index = np.argmax(prediction)
    emotion = list(label_dict.keys())[list(label_dict.values()).index(emotion_index)]
    return emotion

input_text = "I feel extremely anxious today."
emotion = predict_emotion(input_text)
print(f"Predicted emotion: {emotion}")

predict_emotion函數：接收一段文本，將其轉換為模型所需的數字序列，並通過模型進行預測。np.argmax(prediction)返回預測中概率最高的類別索引，並將其轉換為對應的情緒標籤。

2.2 景點推薦邏輯

根據預測的情緒和其他條件（如季節、偏好），我們推薦一個景點。

destinations = {
    "Positive": {
        "Summer": ["Beach", "Amusement Park", "Sunny Park"],
        "Winter": ["Ski Resort", "Hot Springs"]
    },
    "Negative": {
        "Summer": ["Museum", "Quiet Library"],
        "Winter": ["Art Gallery", "Mountain Retreat"]
    },
    "Anxiety": {
        "Summer": ["Meditation Center", "Quiet Forest"],
        "Winter": ["Hot Springs", "Peaceful Lake"]
    },
    "Calm": {
        "Summer": ["Zen Garden", "Yoga Retreat"],
        "Winter": ["Calm River", "Winter Forest"]
    }
}

destinations：這是一個字典，根據情緒和季節，為每個情緒類別提供相應的推薦景點列表。

import random

def recommend_destination(emotion, season="Summer", preferences=None):
    if preferences:
        potential_places = [place for place in destinations[emotion][season] if place in preferences]
    else:
        potential_places = destinations[emotion][season]
    
    if not potential_places:
        return ["Home"]
    
    return random.choice(potential_places)

recommended_place = recommend_destination(emotion, season="Winter", preferences=["Peaceful Lake", "Hot Springs"])
print(f"Recommended destination: {recommended_place}")

recommend_destination函數：根據情緒、季節、以及用戶偏好來推薦景點。如果有偏好，則優先考慮偏好中的景點；如果沒有可推薦的景點，返回「Home」。最後隨機選擇一個推薦的景點。

3. 綜合應用

將情緒預測和景點推薦系統整合起來：

input_text = "I feel extremely anxious today."
emotion = predict_emotion(input_text)

# 假設我們知道現在是冬天，用戶偏好是「寧靜的自然景觀」
recommended_place = recommend_destination(emotion, season="Winter", preferences=["Peaceful Lake", "Hot Springs"])
print(f"Based on your emotion ({emotion}), we recommend you to visit: {recommended_place}")