model=（'word2vec_model.pkl'）
index_dict，word_vectors，combined=
create_dictionaries（model=model，combined=combined）
returnindex_dict，word_vectors，combined
defget_data（index_dict，word_vectors，combined，y）：
#所有单词的索引数，频数小于10的词语索引为0，所以加1
n_symbols=len（index_dict）+1
#索引为0的词语，词向量全为0
embedding_weights=（（n_symbols，vocab_dim））
#从索引为1的词语开始循环，每个词语对应到它的词向量
forword，indexinindex_dict.items（）：
embedding_weights[index，：]=word_vectors[word]
x_train，x_test，y_train，y_test=train_test_split（combined，y，
test_size=0.2）
print（x_train.shape，y_train.shape）
returnn_symbols，embedding_weights，x_train，y_train，x_test，y_test
#定义网络结构
deftrain_lstm（n_symbols，embedding_weights，
x_train，y_train，x_test，y_test）：
print（"DefiningaSimpleKerasModel..."）
model=Sequential（）#使用序贯模型
（Embedding（output_dim=vocab_dim，
input_dim=n_symbols，
mask_zero=True，
weights=[embedding_weights]，
input_length=input_length））
（LSTM（recurrent_activation="hard_sigmoid"，
activation="sigmoid"，units=50））
（Dropout（0.5））
（Dense（1））
（Activation（'sigmoid'））
print（"CompilingtheModel..."）
（loss='binary_crossentropy'，
optimizer='adam'，metrics=['accuracy']）
print（"Train..."）
（x_train，y_train，batch_size=batch_size，epochs=n_epoch，
verbose=1，validation_data=（x_test，y_test））
#对模型进行评价并打印显示评价结果
print（"Evaluate..."）
loss，accuracy=（x_test，y_test，batch_size=batch_
