莫泊桑将对待死亡的情感流露在哪些作品中？

莫泊桑的病症终究还是在日趋恶化。被疾病死死纠缠、煎熬的他，对于人的生命的脆弱、幸福的短暂有着特殊的感受。在1884年写成的《凄惨的闲话》中，他无比悲哀地感叹道：“自从我们的肉体开始缓缓地瓦解，每日、每时、每一分钟，我们都在逐渐地死亡。呼吸、睡眠、饮食、行走、办事，我们所做的一切，亦即生活，都是死亡！”这种悲观情绪在他的许多作品中都有流露。《漂亮朋友》中诗人有一段议论，就是作家本人对人生的体验：“人生是一道山坡。正上着的时候，都望着顶上，并且都觉得快乐；但是走到高处，就忽然望见下坡的道儿和那个以死亡作结束的终点。上坡的时候是慢慢地走的，但是下坡就走得快了。”“天才多一个或者少一个有什么关系，既然一般都是要同归于尽的！”

《市委大院里的悲哀》是2010年远方出版社出版的图书，作者是张小莉。

本书以地级市市委大院里的一名工作人员为视角，描述了他对工作、生活、人际交往中的种种体验和感悟，以及他在这种环境中所形成的独特的人生观、价值观和世界观。

加强版：

《市委大院里的悲哀（加强版）》以地级市市委大院里的一名工作人员为视角，描述了他对工作、生活、人际交往中的种种体验和感悟，以及他在这种环境中所形成的独特的人生观、价值观和世界观。

在加强版中，作者张小莉对原版的内容进行了扩展和深化，增加了更多的人物、情节和情感描写，更加深入地探讨了人生、人性、社会等方面的问题。

总之，《市委大院里的悲哀（加强版）》是一本充满思考和感悟的作品，通过深入描绘人物形象和情节，向读者传递了许多深刻的人生哲理和价值观念。

悲哀的英文主要包括拥有悲伤和悲哀情感的单词和短语、悲伤主题的文学作品等。

一、恐慌

Panic，指极度恐慌和惊慌失措的心理状态，常用于形容悲伤、紧张或突发情况下的心理反应。

二、惆怅

Melancholy，意为忧郁、忧伤或沉思的情绪和状态。这个词还涉及到对过去的遗憾和对未来的担忧。

三、孤独

Loneliness，强调在与他人的分离或缺席中产生的孤独感。这种情感常常与悲伤、失落和无助等情感相关。

四、失落

Despair，意为绝望、失望，通常是对于无法避免的困难、失败或失去亲爱的人而感到的强烈情感体验。

五、痛苦

Agony，又称剧痛，指身体或心灵上的长期、刻苦的疼痛。这种情感常与丧失、深刻的失望和长期的失落感相关。

六、悲剧

Tragedy，指由意外事件、错误决策或面对无法控制的环境而导致的不幸结局。这种情感常用于描述情节悲惨或令人伤心的艺术作品，如戏剧、小说或**等。

综上所述，悲哀的英文不仅表现出了人类情感上的多样性和复杂性，同时也展现了英语语言的诗意之美。学会悲伤情感表达的单词和表达方式，不仅有助于改善人际关系，也有助于拓展英语知识和文化视野。

拓展知识：

除了悲哀情感的表达方式外，还有一些文学作品和音乐作品也体现了英语语言的悲伤美，如：

1、小说《悲惨世界》，描写了法国大革命期间社会阶层及个人命运的变迁和人性的复杂性。其中包含许多悲伤情感的描写，如主角贫苦生活、父亲女儿关系、爱情与背叛等。

2、**《泰坦尼克号》的主题曲《My Heart Will Go On》，由Celine Dion演唱。歌曲的旋律和歌词都充满了悲伤和感动，被认为是流行音乐中最具代表性的悲伤情歌之一。

本次实验将加载两个数据，一个是已经标注好的用户评论数据，另外一个是用户评价主题句，通过标注过的用户评论数据进行基于集成模型的情感极性模型训练，然后利用模型对主题句进行情感极性推理，最后通过数据聚合可视化得出主题情感极性。

使用 Pandas 加载在线数据表格，并查看数据维度和前 5 行数据。

数据属性如下表所示

加载我们之前通过主题词典提取出来的主题句。

数据属性如下表所示

用户评论分词

jieba 分词器预热，第一次使用需要加载字典和缓存，通过结果看出返回的是分词的列表。

批量对用户评价进行分词，需要一些时间，并打印第一行情感极性训练集的分词结果。

批量对用户评价主题句进行分词，并打印第一句用户主题句分词结果。

依据统计学模型假设，假设用户评论中的词语之间相互独立，用户评价中的每一个词语都是一个特征，我们直接使用 TF-IDF 对用户评价提取特征，并对提取特征后的用户评价输入分类模型进行分类，将类别输出为积极的概率作为用户极性映射即可。

用户评论向量化

TF-IDF 是一种用于信息检索与数据挖掘的常用加权技术，当某个词在文章中的TF-IDF越大，那么一般而言这个词在这篇文章的重要性会越高，比较适合对用户评论中的关键词进行量化。

数据集合划分

按照训练集 8 成和测试集 2 成的比例对数据集进行划分，并检查划分之后的数据集数量。

我们在系列实验的开始使用朴素贝叶斯模型来训练情感分析模型，下面我们新增逻辑回归模型作为对比模型。逻辑回归（Logistic Regression）是一种用于解决二分类问题的机器学习方法，在线性回归的基础上，套用了一个 sigmod 函数，这个函数将线性结果映射到一个概率区间，并且通常以 05 分界线，这就使得数据的分类结果都趋向于在 0 和 1 两端，将用户评论进行向量化之后也可以用此方式预测用户情感。本实验直接对标注过的用户情感数据进行训练，并验证单一模型和集成模型在情感分析性能上的差异。

模型加载

通过传入原始的标签和预测的标签可以直接将分类器性能进行度量，利用常用的分类模型评价指标对训练好的模型进行模型评价，accuracy_score 评价被正确预测的样本占总样本的比例，Precision 是衡量模型精确率的指标，它是指模型识别出的文档数与识别的文档总数的比率，衡量的是模型的查准率。Recall 召回率也称为敏感度，它是指模型识别出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率，表示正样本在被正确划分样本中所占的比例，f1_score 值是精确率与召回率的调和平均数，是一个综合性的指数。

我们分别对不同模型使用相同的数据集进行训练和测试，以此来比较单模型之间的差异，并打印模型运行时间供大家参考，批量处理不同的模型需要一些时间进行计算，清耐心等待。

通过求得的指标进行模型评价，我们发现使用相同的数据进行模型训练，朴素贝叶斯模型和逻辑回归模型性能基本持平，相差很微弱，逻辑回归稍稍占一些优势。

Stacking 堆栈模型训练

集成学习是地结合来自两个或多个基本机器学习算法的优势，学习如何最好地结合来自多个性能良好的机器学习模型的预测结果，并作出比集成中的任何一个模型更好的预测。主要分为 Bagging， Boosting 和 Stacking，Stacking 堆栈模型是集成机器学习模型的一种，具体是将训练好的所有基模型对整个训练集进行预测，然后将每个模型输出的预测结果合并为新的特征，并加以训练。主要能降低模型的过拟合风险，提高模型的准确度。

开始对两个模型进行集成训练，训练的时间要比单一模型时间久一些，清耐心等待。

评测结果收集。

结果分析

将结果存入 Dataframe 进行结果分析，lr 表示逻辑回归，nb 表示朴素贝叶斯，model_stacking 将两个单模型集成后的模型。从结果来看集成模型准确度和 f1 值都是最高的，结合两个模型的优势，整体预测性能更好，鲁棒性更好。

样例测试

通过测试样例发现，分类器对正常的积极和消极判断比较好。但是当我们改变语义信息，情感模型则不能进行识别，模型鲁棒性较差。作为早期的文本分类模型，我们使用 TFIDF 的特征提取方式并不能很好的解决语义问题，自然语言是带有语序和语义的关联，其词语之间的关联关系影响整句话的情感极性，后续我们继续试验深度情感分析模型研究解决此类问题。

加载民宿主题数据。

模型预测

将情感分析模型推理的结果写入 DataFrame 中进行聚合。

单主题聚合分析

挑选一个主题进行主题情感分析。

对民宿“设施”进行描述统计，此次我们使用主题词典的出来的用户关于民宿“设施”主体的讨论条数为 4628 条，平均用户情感极性为 040 表示为整体呈现不满意的情况，有超过一半的关于“设施”的民宿评论中表现用户不满意的情况，重庆民宿需要在“设施”进行改善，以此提高用户满意度。

单主题情感极性可视化

我们开始进行“设置”主题下的用户主题情感进行可视化，首先加载画图模块。

对“设施”主题下的用户情感极性进行可视化，我们利用集成模型对主题句进行情感极性预测，如下所示。