├── .gitignore ├── LICENSE ├── README.md ├── classifier_cnn.py ├── data └── reviews.csv ├── sample.py ├── serve.py ├── train.py └── utils.py /.gitignore: -------------------------------------------------------------------------------- 1 | # Created by .ignore support plugin (hsz.mobi) 2 | ### JetBrains template 3 | # Covers JetBrains IDEs: IntelliJ, RubyMine, PhpStorm, AppCode, PyCharm, CLion, Android Studio and Webstorm 4 | # Reference: https://intellij-support.jetbrains.com/hc/en-us/articles/206544839 5 | 6 | # User-specific stuff: 7 | .idea/workspace.xml 8 | .idea/tasks.xml 9 | .idea/dictionaries 10 | .idea/vcs.xml 11 | .idea/jsLibraryMappings.xml 12 | 13 | # Sensitive or high-churn files: 14 | .idea/dataSources.ids 15 | .idea/dataSources.xml 16 | .idea/dataSources.local.xml 17 | .idea/sqlDataSources.xml 18 | .idea/dynamic.xml 19 | .idea/uiDesigner.xml 20 | 21 | # Gradle: 22 | .idea/gradle.xml 23 | .idea/libraries 24 | 25 | # Mongo Explorer plugin: 26 | .idea/mongoSettings.xml 27 | 28 | ## File-based project format: 29 | *.iws 30 | 31 | ## Plugin-specific files: 32 | 33 | # IntelliJ 34 | /out/ 35 | 36 | # mpeltonen/sbt-idea plugin 37 | .idea_modules/ 38 | 39 | # JIRA plugin 40 | atlassian-ide-plugin.xml 41 | 42 | # Crashlytics plugin (for Android Studio and IntelliJ) 43 | com_crashlytics_export_strings.xml 44 | crashlytics.properties 45 | crashlytics-build.properties 46 | fabric.properties 47 | ### Python template 48 | # Byte-compiled / optimized / DLL files 49 | __pycache__/ 50 | *.py[cod] 51 | *$py.class 52 | 53 | # C extensions 54 | *.so 55 | 56 | # Distribution / packaging 57 | .Python 58 | env/ 59 | build/ 60 | develop-eggs/ 61 | dist/ 62 | downloads/ 63 | eggs/ 64 | .eggs/ 65 | lib/ 66 | lib64/ 67 | parts/ 68 | sdist/ 69 | var/ 70 | *.egg-info/ 71 | .installed.cfg 72 | *.egg 73 | 74 | # PyInstaller 75 | # Usually these files are written by a python script from a template 76 | # before PyInstaller builds the exe, so as to inject date/other infos into it. 77 | *.manifest 78 | *.spec 79 | 80 | # Installer logs 81 | pip-log.txt 82 | pip-delete-this-directory.txt 83 | 84 | # Unit test / coverage reports 85 | htmlcov/ 86 | .tox/ 87 | .coverage 88 | .coverage.* 89 | .cache 90 | nosetests.xml 91 | coverage.xml 92 | *,cover 93 | .hypothesis/ 94 | 95 | # Translations 96 | *.mo 97 | *.pot 98 | 99 | # Django stuff: 100 | *.log 101 | local_settings.py 102 | 103 | # Flask stuff: 104 | instance/ 105 | .webassets-cache 106 | 107 | # Scrapy stuff: 108 | .scrapy 109 | 110 | # Sphinx documentation 111 | docs/_build/ 112 | 113 | # PyBuilder 114 | target/ 115 | 116 | # IPython Notebook 117 | .ipynb_checkpoints 118 | 119 | # pyenv 120 | .python-version 121 | 122 | # celery beat schedule file 123 | celerybeat-schedule 124 | 125 | # dotenv 126 | .env 127 | 128 | # virtualenv 129 | venv/ 130 | ENV/ 131 | 132 | # Spyder project settings 133 | .spyderproject 134 | 135 | # Rope project settings 136 | .ropeproject 137 | ### OSX template 138 | *.DS_Store 139 | .AppleDouble 140 | .LSOverride 141 | 142 | # Icon must end with two \r 143 | Icon 144 | 145 | # Thumbnails 146 | ._* 147 | 148 | # Files that might appear in the root of a volume 149 | .DocumentRevisions-V100 150 | .fseventsd 151 | .Spotlight-V100 152 | .TemporaryItems 153 | .Trashes 154 | .VolumeIcon.icns 155 | .com.apple.timemachine.donotpresent 156 | 157 | # Directories potentially created on remote AFP share 158 | .AppleDB 159 | .AppleDesktop 160 | Network Trash Folder 161 | Temporary Items 162 | .apdisk 163 | 164 | runs/ -------------------------------------------------------------------------------- /LICENSE: -------------------------------------------------------------------------------- 1 | Apache License 2 | Version 2.0, January 2004 3 | http://www.apache.org/licenses/ 4 | 5 | TERMS AND CONDITIONS FOR USE, REPRODUCTION, AND DISTRIBUTION 6 | 7 | 1. Definitions. 8 | 9 | "License" shall mean the terms and conditions for use, reproduction, 10 | and distribution as defined by Sections 1 through 9 of this document. 11 | 12 | "Licensor" shall mean the copyright owner or entity authorized by 13 | the copyright owner that is granting the License. 14 | 15 | "Legal Entity" shall mean the union of the acting entity and all 16 | other entities that control, are controlled by, or are under common 17 | control with that entity. For the purposes of this definition, 18 | "control" means (i) the power, direct or indirect, to cause the 19 | direction or management of such entity, whether by contract or 20 | otherwise, or (ii) ownership of fifty percent (50%) or more of the 21 | outstanding shares, or (iii) beneficial ownership of such entity. 22 | 23 | "You" (or "Your") shall mean an individual or Legal Entity 24 | exercising permissions granted by this License. 25 | 26 | "Source" form shall mean the preferred form for making modifications, 27 | including but not limited to software source code, documentation 28 | source, and configuration files. 29 | 30 | "Object" form shall mean any form resulting from mechanical 31 | transformation or translation of a Source form, including but 32 | not limited to compiled object code, generated documentation, 33 | and conversions to other media types. 34 | 35 | "Work" shall mean the work of authorship, whether in Source or 36 | Object form, made available under the License, as indicated by a 37 | copyright notice that is included in or attached to the work 38 | (an example is provided in the Appendix below). 39 | 40 | "Derivative Works" shall mean any work, whether in Source or Object 41 | form, that is based on (or derived from) the Work and for which the 42 | editorial revisions, annotations, elaborations, or other modifications 43 | represent, as a whole, an original work of authorship. For the purposes 44 | of this License, Derivative Works shall not include works that remain 45 | separable from, or merely link (or bind by name) to the interfaces of, 46 | the Work and Derivative Works thereof. 47 | 48 | "Contribution" shall mean any work of authorship, including 49 | the original version of the Work and any modifications or additions 50 | to that Work or Derivative Works thereof, that is intentionally 51 | submitted to Licensor for inclusion in the Work by the copyright owner 52 | or by an individual or Legal Entity authorized to submit on behalf of 53 | the copyright owner. For the purposes of this definition, "submitted" 54 | means any form of electronic, verbal, or written communication sent 55 | to the Licensor or its representatives, including but not limited to 56 | communication on electronic mailing lists, source code control systems, 57 | and issue tracking systems that are managed by, or on behalf of, the 58 | Licensor for the purpose of discussing and improving the Work, but 59 | excluding communication that is conspicuously marked or otherwise 60 | designated in writing by the copyright owner as "Not a Contribution." 61 | 62 | "Contributor" shall mean Licensor and any individual or Legal Entity 63 | on behalf of whom a Contribution has been received by Licensor and 64 | subsequently incorporated within the Work. 65 | 66 | 2. Grant of Copyright License. Subject to the terms and conditions of 67 | this License, each Contributor hereby grants to You a perpetual, 68 | worldwide, non-exclusive, no-charge, royalty-free, irrevocable 69 | copyright license to reproduce, prepare Derivative Works of, 70 | publicly display, publicly perform, sublicense, and distribute the 71 | Work and such Derivative Works in Source or Object form. 72 | 73 | 3. Grant of Patent License. Subject to the terms and conditions of 74 | this License, each Contributor hereby grants to You a perpetual, 75 | worldwide, non-exclusive, no-charge, royalty-free, irrevocable 76 | (except as stated in this section) patent license to make, have made, 77 | use, offer to sell, sell, import, and otherwise transfer the Work, 78 | where such license applies only to those patent claims licensable 79 | by such Contributor that are necessarily infringed by their 80 | Contribution(s) alone or by combination of their Contribution(s) 81 | with the Work to which such Contribution(s) was submitted. If You 82 | institute patent litigation against any entity (including a 83 | cross-claim or counterclaim in a lawsuit) alleging that the Work 84 | or a Contribution incorporated within the Work constitutes direct 85 | or contributory patent infringement, then any patent licenses 86 | granted to You under this License for that Work shall terminate 87 | as of the date such litigation is filed. 88 | 89 | 4. Redistribution. You may reproduce and distribute copies of the 90 | Work or Derivative Works thereof in any medium, with or without 91 | modifications, and in Source or Object form, provided that You 92 | meet the following conditions: 93 | 94 | (a) You must give any other recipients of the Work or 95 | Derivative Works a copy of this License; and 96 | 97 | (b) You must cause any modified files to carry prominent notices 98 | stating that You changed the files; and 99 | 100 | (c) You must retain, in the Source form of any Derivative Works 101 | that You distribute, all copyright, patent, trademark, and 102 | attribution notices from the Source form of the Work, 103 | excluding those notices that do not pertain to any part of 104 | the Derivative Works; and 105 | 106 | (d) If the Work includes a "NOTICE" text file as part of its 107 | distribution, then any Derivative Works that You distribute must 108 | include a readable copy of the attribution notices contained 109 | within such NOTICE file, excluding those notices that do not 110 | pertain to any part of the Derivative Works, in at least one 111 | of the following places: within a NOTICE text file distributed 112 | as part of the Derivative Works; within the Source form or 113 | documentation, if provided along with the Derivative Works; or, 114 | within a display generated by the Derivative Works, if and 115 | wherever such third-party notices normally appear. The contents 116 | of the NOTICE file are for informational purposes only and 117 | do not modify the License. You may add Your own attribution 118 | notices within Derivative Works that You distribute, alongside 119 | or as an addendum to the NOTICE text from the Work, provided 120 | that such additional attribution notices cannot be construed 121 | as modifying the License. 122 | 123 | You may add Your own copyright statement to Your modifications and 124 | may provide additional or different license terms and conditions 125 | for use, reproduction, or distribution of Your modifications, or 126 | for any such Derivative Works as a whole, provided Your use, 127 | reproduction, and distribution of the Work otherwise complies with 128 | the conditions stated in this License. 129 | 130 | 5. Submission of Contributions. Unless You explicitly state otherwise, 131 | any Contribution intentionally submitted for inclusion in the Work 132 | by You to the Licensor shall be under the terms and conditions of 133 | this License, without any additional terms or conditions. 134 | Notwithstanding the above, nothing herein shall supersede or modify 135 | the terms of any separate license agreement you may have executed 136 | with Licensor regarding such Contributions. 137 | 138 | 6. Trademarks. This License does not grant permission to use the trade 139 | names, trademarks, service marks, or product names of the Licensor, 140 | except as required for reasonable and customary use in describing the 141 | origin of the Work and reproducing the content of the NOTICE file. 142 | 143 | 7. Disclaimer of Warranty. Unless required by applicable law or 144 | agreed to in writing, Licensor provides the Work (and each 145 | Contributor provides its Contributions) on an "AS IS" BASIS, 146 | WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or 147 | implied, including, without limitation, any warranties or conditions 148 | of TITLE, NON-INFRINGEMENT, MERCHANTABILITY, or FITNESS FOR A 149 | PARTICULAR PURPOSE. You are solely responsible for determining the 150 | appropriateness of using or redistributing the Work and assume any 151 | risks associated with Your exercise of permissions under this License. 152 | 153 | 8. Limitation of Liability. In no event and under no legal theory, 154 | whether in tort (including negligence), contract, or otherwise, 155 | unless required by applicable law (such as deliberate and grossly 156 | negligent acts) or agreed to in writing, shall any Contributor be 157 | liable to You for damages, including any direct, indirect, special, 158 | incidental, or consequential damages of any character arising as a 159 | result of this License or out of the use or inability to use the 160 | Work (including but not limited to damages for loss of goodwill, 161 | work stoppage, computer failure or malfunction, or any and all 162 | other commercial damages or losses), even if such Contributor 163 | has been advised of the possibility of such damages. 164 | 165 | 9. Accepting Warranty or Additional Liability. While redistributing 166 | the Work or Derivative Works thereof, You may choose to offer, 167 | and charge a fee for, acceptance of support, warranty, indemnity, 168 | or other liability obligations and/or rights consistent with this 169 | License. However, in accepting such obligations, You may act only 170 | on Your own behalf and on Your sole responsibility, not on behalf 171 | of any other Contributor, and only if You agree to indemnify, 172 | defend, and hold each Contributor harmless for any liability 173 | incurred by, or claims asserted against, such Contributor by reason 174 | of your accepting any such warranty or additional liability. 175 | 176 | END OF TERMS AND CONDITIONS 177 | 178 | APPENDIX: How to apply the Apache License to your work. 179 | 180 | To apply the Apache License to your work, attach the following 181 | boilerplate notice, with the fields enclosed by brackets "{}" 182 | replaced with your own identifying information. (Don't include 183 | the brackets!) The text should be enclosed in the appropriate 184 | comment syntax for the file format. We also recommend that a 185 | file or class name and description of purpose be included on the 186 | same "printed page" as the copyright notice for easier 187 | identification within third-party archives. 188 | 189 | Copyright {yyyy} {name of copyright owner} 190 | 191 | Licensed under the Apache License, Version 2.0 (the "License"); 192 | you may not use this file except in compliance with the License. 193 | You may obtain a copy of the License at 194 | 195 | http://www.apache.org/licenses/LICENSE-2.0 196 | 197 | Unless required by applicable law or agreed to in writing, software 198 | distributed under the License is distributed on an "AS IS" BASIS, 199 | WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied. 200 | See the License for the specific language governing permissions and 201 | limitations under the License. -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | # char-cnn-text-classification-tensorflow 2 | 3 | Simple Convolutional Neural Network (CNN) for text classification at character level. In this project we will implement a Chinese Movie Sentiment (Positive/Negative) Classifier with CNN using TensorFlow. A manually labeled small corpus (HK movie reviews) has been uploaded for you to try out the network. 4 | 5 | Mostly reused code from https://github.com/dennybritz/cnn-text-classification-tf which was posted by Denny Britz. Check out his great blog post on CNN classification http://www.wildml.com/2015/12/implementing-a-cnn-for-text-classification-in-tensorflow/. 6 | 7 | Things are modified from the original author: 8 | - modified the data helpers to support Chinese to train the embeddings at character level 9 | - added Tensorboard visualization for embeddings 10 | - added `sample.py` which will generate prediction output 11 | - added `serve.py` which will serve the classifier via Flask 12 | 13 | ### Requirements 14 | - Tensorflow 1.0 or up 15 | 16 | ### Basic Usage 17 | To train with the Chinese movie reviews dataset, run: 18 | `python train.py` 19 | 20 | To visualize results and embeddings, run: 21 | `tensorboard --logdir ./runs/1492654198/summaries/` 22 | 23 | To predict from a trained model, run with checkpoint_dir argument 24 | ` python sample.py --checkpoint_dir=./runs/1492654198/checkpoints/ --text="套戲好鬼悶"` 25 | 26 | To serve the model via a Flask API, run: 27 | `python serve.py --checkpoint_dir=./runs/1492656039/checkpoints/` 28 | then send a HTTP POST request to `http://localhost:5000/predict` with the following json body: 29 | `{"text": "套戲好鬼悶"}` 30 | 31 | ### TODO 32 | Some updates will be published soon. 33 | - Train the embeddings at word level using jieba's tokenizer or other pre-trained word embeddings 34 | - Use high level APIS such as `tf.layers` or `tf.keras`(will be available in TensorFLow 1.2) -------------------------------------------------------------------------------- /classifier_cnn.py: -------------------------------------------------------------------------------- 1 | import tensorflow as tf 2 | 3 | 4 | class CNNClassifier(object): 5 | """ 6 | A CNN model for text classification. 7 | Network structure: embedding layer > convolution layer > max-pooling > softmax 8 | """ 9 | 10 | def __init__(self, sequence_length, num_classes, vocab_size, 11 | embedding_size, filter_sizes, num_filters, l2_reg_lambda=0.0): 12 | # Placeholders for input, output and dropout 13 | self.input_x = tf.placeholder(tf.int32, [None, sequence_length], name="input_x") 14 | self.input_y = tf.placeholder(tf.int32, [None, num_classes], name='input_y') 15 | self.dropout_keep_prob = tf.placeholder(tf.float32, name="dropout_keep_prob") 16 | 17 | # Keeping track of l2 regularization loss (optional) 18 | l2_loss = tf.constant(0.0) 19 | 20 | # Embedding layer 21 | # TODO: check tf.device('/cpu:0') 22 | with tf.name_scope("embedding"): 23 | self.W = tf.Variable( 24 | tf.random_uniform([vocab_size, embedding_size], -1.0, 1.0), 25 | name="W") 26 | 27 | self.embdded_chars = tf.nn.embedding_lookup(self.W, self.input_x) 28 | self.embdded_chars_expanded = tf.expand_dims(self.embdded_chars, -1) 29 | 30 | # Create a convolution + maxpool layer for each filter size 31 | pooled_outputs = [] 32 | for i, filter_size in enumerate(filter_sizes): 33 | with tf.name_scope("conv-maxpool-%s" % filter_size): 34 | # Convolution layer 35 | filter_shape = [filter_size, embedding_size, 1, num_filters] 36 | W = tf.Variable(tf.truncated_normal(filter_shape, stddev=0.1), name="W_conv") 37 | b = tf.Variable(tf.constant(0.1, shape=[num_filters]), name="b_conv") 38 | conv = tf.nn.conv2d( 39 | self.embdded_chars_expanded, 40 | W, 41 | strides=[1, 1, 1, 1], 42 | padding="VALID", 43 | name="conv") 44 | 45 | # Apply nonlinearity 46 | h = tf.nn.relu(tf.nn.bias_add(conv, b), name="relu") 47 | 48 | # Maxpooling over the outputs 49 | pooled = tf.nn.max_pool( 50 | h, 51 | ksize=[1, sequence_length - filter_size + 1, 1, 1], 52 | strides=[1, 1, 1, 1], 53 | padding="VALID", 54 | name="pool") 55 | 56 | pooled_outputs.append(pooled) 57 | 58 | # Combine all the pooled features 59 | num_filters_total = num_filters * len(filter_sizes) 60 | self.h_pool = tf.concat(pooled_outputs, 3) 61 | self.h_pool_flat = tf.reshape(self.h_pool, [-1, num_filters_total]) 62 | 63 | # Add dropout 64 | with tf.name_scope("dropout"): 65 | self.h_drop = tf.nn.dropout(self.h_pool_flat, self.dropout_keep_prob) 66 | 67 | # Final (unnormalized) scores and predictions 68 | with tf.name_scope("output"): 69 | # W = tf.get_variable( 70 | # "W", 71 | # shape=[num_filters_total, num_classes], 72 | # initializer=tf.contrib.layers.xavier_initializer()) 73 | W = tf.Variable(tf.truncated_normal([num_filters_total, num_classes], stddev=0.1), name="W") 74 | b = tf.Variable(tf.constant(0.1, shape=[num_classes]), name="b") 75 | l2_loss += tf.nn.l2_loss(W) 76 | l2_loss += tf.nn.l2_loss(b) 77 | self.scores = tf.nn.xw_plus_b(self.h_drop, W, b, name="scores") 78 | self.predictions = tf.argmax(self.scores, 1, name="predictions") 79 | 80 | # Calculate cross-entropy loss 81 | with tf.name_scope("loss"): 82 | losses = tf.nn.softmax_cross_entropy_with_logits(logits=self.scores, labels=self.input_y) 83 | self.loss = tf.reduce_mean(losses) + l2_reg_lambda * l2_loss 84 | 85 | # Accuracy 86 | with tf.name_scope("accuracy"): 87 | correct_predictions = tf.equal(self.predictions, tf.argmax(self.input_y, 1)) 88 | self.accuracy = tf.reduce_mean(tf.cast(correct_predictions, "float"), name="accuracy") 89 | -------------------------------------------------------------------------------- /data/reviews.csv: -------------------------------------------------------------------------------- 1 | 有朋友話感動，但自己睇又覺得唔太投入，感覺有點鬆散，好平淡。,negative 2 | 無睇過日劇。所以有d 悶。個人意見。節奏有d慢,negative 3 | 但我依然好憎係電影院睇電視。,negative 4 | 走左場,negative 5 | 喜歡日劇 但電影太zzzzz,negative 6 | "每個小故都感動人心 但演技浮誇,還是比較喜漫畫",negative 7 | 由於個人比較中意睇動作 科幻 總之就要刺激 呢套戲就可能未必岩啲同我一樣既朋友仔 劇情平淡 可能會覺得悶 當然都有吸引既位,negative 8 | 因為睇左電視版，所以入左戲院睇，由十分期待，到失望離開，因為只係結集左電視精華，所以四粒🌟係俾電視版的。,negative 9 | 我是女朋友睇，節奏很慢，有點悶，我瞓左幾次！,negative 10 | 同預期有少少出入，比劇集故事性更弱，有少少悶。唔太投入到，感動唔到我。,negative 11 | 同電視劇比，描寫得無咁細膩，故事比較平面，比較單薄。我覺得無預期中好，電視劇迷會失望。,negative 12 | 好多朋友話好感動，但我係完全投入唔到，我覺得成個食堂好唔真實。只能夠講這不會是香港找到的。,negative 13 | 電影感覺好拖，有人話好有人情味，但我feel唔到。劇情好平淡，睇完覺得好嘥時間,negative 14 | 故事感情拍得不夠好，看起來有造作的感覺，唔太受到。整體覺得不過不失,negative 15 | 部戲同電視劇差唔多，其實唔係話好差，但無咩新鮮感。未算係好感動。純支持睇左。,negative 16 | "比預期更似預期。首先係日本式嗰種慢慢嚟。。。頭廿分鐘仲未入局，中段感人，末段要望錶。。因為我係深夜睇深夜食堂，臨尾差少少瞓著， 但早後都堅持到尾。 17 | 18 | 唔係好差，不過故事以食堂為橋樑，連戴食客發生故事。唔係個個故事精彩。如果題材關於多啲食物可能更加吸引。 19 | 20 | 喜歡日本文化嘅可能忍唔住入場，但要有心理準備，要有耐性觀看，你可能先享受到。",negative 21 | 不知是不是我沒有追看電視劇，看起來覺得有點生疏，故事不是不好看，有點抽離的感覺，未算好感動,negative 22 | Best for zzzz,negative 23 | 有朋友話感動，但自己睇又覺得唔太投入，感覺有點鬆散，好平淡。老實講係有少少失望,negative 24 | 听说是由电视剧改编的，每集都是一个相对独立的故事。所以我就有不详预感，觉得线条会很散…果然，我的预感没错，这也是电视剧改编为电影的最大难题…电影版有一条主线，三段故事，若干条副线，主线偏弱，副线发展不足…有点零散…就像是看了三集电视剧一样…不过还是很温馨…,negative 25 | "有少少失望,唔太感動,期望太高。",negative 26 | 其實套日劇ok 有人情味。但冇咩主線 或高潮。比較平淡,negative 27 | "垃圾,positive""分都俾多佢，錢國偉依條垃圾幾時收""",negative 28 | 此類題材的電影通常較易讓人回憶舊事触動心弦，可惜呢部電影冇。男女主角從形象到年紀去飾演15，6歲實在太牽強，女主角的造型也缺乏令一衆男生驚艷的說服力，實在没必要去多次強調她如何令人一見鐘情，倒不如花點時間從小細節小情景去描繪青澀的感情更好。電影花在賣弄慢鏡唯美鏡頭拍摄手法的時間多過去用心營造感人細節和心路的變化，令戲中主角配角的相戀和分手都顯得莫名其妙和匆匆交待就算，而少年時期的喜和悲好似两者毫無關係各自發生分開拍摄一樣，靠旁白靠對住陌生人的鏡頭去表白來交待劇情和心路的做法顯得較為作造和虚假。想想妳少年時代的愛情和及長大後談起那段往事時的心境，相信唔會係電影所表述的那樣。,negative 29 | "如果唔係劉華，我都唔會去睇，完全九唔搭八！ 30 | 又冇講佢（劉華）搵唔搵到 31 | 又冇話個bb既媽咪死唔死 32 | 淨係幫佢搵返屋企人，但之後又冇講點 33 | 交帶得唔清唔楚，我駛咩入場睇喎！！",negative 34 | 失敗,negative 35 | 沒有戲劇衝突，沒有爆發力，敘事力的分散使得影片毫不走心，頻頻讓人出戲。相比于同類題材的《親愛的》，《失孤》對於細節的把握是失敗的，沒有該題材應有的質感。,negative 36 | 唔係劉華唔入場,negative 37 | 故事有意義，令人知道拐賣小孩的事。可惜拍不「到肉」。最差的其中有劉華和井然的那段，亦朋友亦父子，大家同樣有失去和被失去的心情，劉華以過來人，十多年不放棄，什麼都見過的身份，希望給井然帶出「不要放棄，有的例子真有好結尾」的堅持。可惜，拍得很差。好像一老一嫩在同性戀。,negative 38 | Not good .,negative 39 | 不值一看！浪費時間！,negative 40 | 垃圾垃圾垃圾垃圾垃圾垃圾,negative 41 | 還是看原著吧，電影拍的一般，遠不如原著。,negative 42 | It could be better :),negative 43 | 唉。。有點失望，希望大家繼續努力！！,negative 44 | "我覺得冇咩特別⋯ 45 | 有幾個位都笑都岀來⋯",negative 46 | "睇左雖然都半個月 但都仲係覺得部戲好唔掂 47 | 笑位真係唔好笑 但故事大體 想表達既野係清晰 好易明 48 | 結局 比起好多無厘頭既結局 佢算叫完得算係咁 49 | 但作為笑片 真係唔好睇 全場無笑過",negative 50 | "最好睇嘅地方預告出曬！ 51 | 主旨系好，但係表現手法要執執佢， 52 | 我笑點低，但呢套戲我笑唔出！",negative 53 | 劇本欠說服力，演員的演出很恐怖，完全唔知做乜。導演咁叻宣傳，不如先寫好劇本。,negative 54 | 我男朋友睇到訓著，爆悶！,negative 55 | "請不要like或dislike一星仔或打手 56 | 57 | 改編自比利時電影「屍家性地」的荷里活版本。說甚麼懸疑推理，結局意想不到，都是言過其實，論邏輯推理遠遠不及日本的東野圭吾、松本清張，電影根本沒有合理的線索讓觀眾有推理的空間，只有牽強而橫生的枝節，企圖給觀眾意料之外的感覺。但為甚麼肥佬和心理醫生可以置身事外，他們不都犯了插贓嫁禍、防礙司法公正、串謀、誤殺⋯⋯等等罪名，為甚麼六個月後可以過正常生活？ 58 | 五兄弟之中，有一個從來沒有用合資私竇鬼混，那他為甚麼要夾錢？只為盜錄兄弟「偷食」片斷來自娛？值得斥巨資支持這種變態但又損人不利己的行為嗎？若說他也暗戀女死者，為甚麼要連其他兄弟和其他小三的床第纏綿也不放過？ 59 | 肥佬和太太終於言歸於好，是因為大家都有偷食，扯平了？真受不了西方這套哲學或道德！大家呃呃氹氹、隻眼開隻眼閉便可廝守一生？ 60 | 五對夫妻婚姻都不美滿，全部是怨偶，互相猜忌懷疑，爾虞我詐，各自偷歡，婚姻既不建基於真愛和信任，脆弱得不堪一碰，看著彼此不高興，根本沒有勉強下去的理由，不是你死我亡，便自然離婚收場，怨憎會只指向互相消耗剝削，最終不是攬住一齊死，便是不斷擴大的不快。 61 | 朋友妻妹都咪走雞那一位，根本不配有兄弟，被眾兄弟合謀報復是活該，被老婆分走大部分身家是抵死，其他的有兩位須對用情不專付上生命和終身自由的代價，但為甚麼另外兩個同樣不忠和串謀害人，卻可以有Happy Ending？",negative 62 | 導演自已知唔知道拍d乜呀,negative 63 | 其實想表達甚麼呢？,negative 64 | 劇情推進得慢...悶....可能係日本寫照,negative 65 | 只為道出日本現今某些國內現象…故事一般,negative 66 | "真係好悶 好多個位都太長 67 | 啲角色既處境好咎由自取 68 | 太過多巧合 好難感動到人",negative 69 | 好奇怪，原本係個不錯的故事，但，竟然讓我hup眼瞓，無咩笑位不特止，太多演員closeup鏡頭想點呢？surprise既係：寄生獸男主角一出場就收工....（有睇漫畫既飄過）,negative 70 | 我真係覺得爛爆。全部錯哂=_=。完全0分,negative 71 | "主角係高中生，覺得個世界好無聊，祈禱希望個世界毀滅，然後出現左5/6個吉祥物，同所有高中生玩遊戲，玩輸左就死，玩贏左就生存，經過幾輪遊戲，凸顯主角有勇有謀又好運，然後死剩兩個人，但唔明點解天空出現巨大立方體物體，其他日本人就會信係神既旨意，死剩兩個係神之子，而唔係外星人入侵地球，總之最後生存既兩個高中生，即係主角同第二主角(?)，就比萬人景仰，最後留左個伏筆，話呢個世界真係有神架，咁就完。 72 | 我係真係唔明點解評語會話好睇，有冇人可以解釋比我聽邊度好睇？ 73 | 唔知佢想講友情定愛情定人生目標定點，捉唔到重點，個d死亡遊戲只係凸顯主角好叻，其他人自私蠢唔冷靜咁樣。可能我唔識睇日本戲，又可能睇漫畫會好睇d。 74 | 呢套戲既劇情同伏筆完全勾引唔到我去睇第二集，好失敗。",negative 75 | 果然宮崎駿的電影比較適合科幻的題材，這部電影敘述過於平淡，作為一個小說改篇的敘事作品，卻很難令人代人主角的角色當中，實為一大敗筆。,negative 76 | "Hugh seems to be unable to out grow himself, keeping the same way of acting over the years. But if you miss his peculiar awkwardness, and pretentious accent, then it's ok. Otherwise, the whole movie is rather plain. 3 stars is fair?",negative 77 | 好無聊 雖然休•格蘭特還是一樣很帥 但也無法拯救這部無聊的電影,negative 78 | 超超超無聊、悶爆！！！,negative 79 | 劇情太一般 睇一半都估到,negative 80 | "waste money...... 81 | suck film...... 82 | and waste my time",negative 83 | Not good! Bad story,negative 84 | 看了兩個新導演的衝鋒車及暴瘋語，有驚喜，見到資深演員吳嘉麗首次執導，有更大期望。故事大綱其實不錯，結局還有點意想不到，但電影一開頭就令人覺得鬆散幼嫩，中段就是用不合理的安排而想製造血腥及緊張，但只怪我看得恐怖片太多，今回完全不覺緊張。男主角較為順眼，其他新演員令人看得不舒服，女主角更只有一个表情。吳嘉麗也好像演得失了水準。,negative 85 | 電影好明顯有泰國恐怖片的痕迹，演員都算合格，吴家麗的表演當然系裡面較為出色的，音樂音效場景鏡頭其實ok的，開頭都算快就入驚嚇的部分，節奏還好，只是幾段flashback手法有d老土，交待情節和角色的心理用台詞直接講出來有點兒太直白。劇本真的比較弱，唔合理又牵強，真系每一段都忍唔住問點解嘎點解嘎點解嘎,negative 86 | 唔得啦。剩係回憶舊片已經成粒幾鐘。好差,negative 87 | 雖然劇情和角色和前集稍有不同，但高潮部份的結構和之前基本一樣，就和超人情節一樣，一開始佔上風，然後不夠打，但係最後又贏番。除非係復仇迷，如果唔係真係一般普通科幻電影而已。。。,negative 88 | 很无聊的电影，主角无敌,negative 89 | "班底好 諗法好 90 | 但戲一般 劇本一般 91 | 92 | 比想像中差 93 | 但都算交到功課 94 | 95 | 留後路出續集唔係唔得 96 | 但放埋寒戰度就真係比下去 97 | 至少都要韓城攻略既水準先叫合格😕 98 | 99 | 總括而言 有些少浪費",negative 100 | "卡士係幾勁 但情節鬆散 101 | 102 | 中段比較亂 103 | 104 | 有d浪費左張學友同張家輝",negative 105 | 陣容勁，但劇情唔吸引,negative 106 | "有D悶,,,都係果D野，冇咩SURPRISE",negative 107 | 一套給我過半鐘冷氣的戲,negative 108 | But nothing really special,negative 109 | "請不要like或dislike一星仔和打手 110 | 111 | 今天忘了帶鎖匙，回家時望門興嘆，為免流落街頭，便一頭栽進戲院，看了這齣原沒有打算看的電影，除此以外，唯一能吸引我的原因是一個名字：許誠毅，這個理工仔，遠走荷里活，創造出「史力加」，所以支持有創意的港人和港產片便是我掏腰包的動力。 112 | 故事內容熱鬧、流暢、有趣⋯⋯有點超出本來期望，但要說深度嘛，是沒有的，無偈喇，這是老少咸宜的暑假電影，否則，像去年的「輝耀姬」，便可能悶親小朋友兼趕客。 113 | 電影有不少可取之處，胡巴造型可愛，比史力加更勝，不過妖怪造型單調，通通四手兩腳，只是顏色大小不同，變化不多！另外，真人和3D動漫角色的crossover造得不錯，同場效果很和諧而自然，鏡頭運用、角度和CG應記一功！全片廠景不多，大多是實境，把大陸的山川之美表露無遺，把故事的人、妖和天師襯托得更有靈氣！ 114 | 白百荷演得比井柏然好，不過不及一眾串星搶鏡：曾志偉、吳君如、湯唯、金燕鈴、姜武（姜文弟弟，外表九成相似）⋯⋯ 115 | 雖然故事簡單，但投資者似乎信心十足，有意開拍續集，甚至發展成一個系列，因為小妖胡巴還未長大，妖界內亂未平，胡巴需要回妖界報仇復位，天蔭也只是一錢道士，還有很長的修練之路，更何況他還未找到他的天師爸爸⋯⋯情節有餘未盡，不過，還得奉勸許誠毅在下集多點為妖怪設計不同造型和絕技，編劇也花多點心思，好讓劇情意想不到、峰迴路轉⋯⋯這才可望引人入勝，長拍長有，否則空有荷里活的技術，也難接二連三，落得無以為繼便不好了，畢竟一套當觀眾離場時甚麼都帶不走的電影，絕對無望好戲連場！",negative 116 | 超級爛片，超級悶可以😴😴😴😴😴,negative 117 | Fallen sleep,negative 118 | 绝对烂片 白瞎了 jude law和斯塔森,negative 119 | "頭五分鐘好睇！之後極之垃圾。 120 | 不合理的劇情，一路坐係office 多年0既肥嬸嬸，原來係超人，身手貼近成龍，點解咁勁？冇點解…",negative 121 | "i dont find the female spy is fun to watch, 122 | the supporting role is hilarious tho",negative 123 | 因為你未必笑得岀...,negative 124 | "本來以為好好笑，但看左之後唔太搞笑，幾乎無笑過 125 | 但其實整體來講到不錯，尤其是最尾在飛機上的鬥爭",negative 126 | 笑點都只係得幾個，仲要係咸濕笑點,negative 127 | 邊有講到咁好笑呀，中伏,negative 128 | 本身好多朋友話好笑 但懷疑係眼訓 感覺好想訓好悶 但都值三星既,negative 129 | "Disappointing. 130 | Keep saying ""fuck"" a million times is not funny.",negative 131 | 笑位有但一般般，已特務加搞笑做題材，去得唔盡冇突破，明明最為最重要特務既道具又講得小，肥騰騰既女主角咩事咁好打，槍法如神槍手又唔講，零代入感，唯有字幕全神較為亮眼~,negative 132 | "進場觀賞前少不免會拿這部電影跟上年八月的22 jump street作一個高下比較 主要是笑點比喻深度以及殘留歡樂聯想 133 | 可惜這兩方面都被強烈黃色諷刺還有多重預告洩漏劇情遂湮沒 134 | 所以整體來說 離開電影院後便沒什麼起伏的衝擊 遑論什麼思考性反省 135 | 有時總希望喜悅過後腦海裡能充滿該電影獨有的味道 例如是金句 遺憾聚攏聽覺卻無法捕獲 136 | 137 | 囧探用的是兄弟倆稍微分歧的變奏 最後團結以臥底警員身份成功粉碎危機 嘍囉黑幫味甚濃 138 | 而凸務在短時間內形容一位曾經因外表跟年紀而失落的女人如何跟自戀型男 配合亂打亂撞 極度疑似瘋漢的所謂高手去瓦解跨國犯罪集團 語氣與表現在過程中皆顯露強大女權 刻意明示雌性不容少覷的多功能 139 | 140 | 起初得知jason破格與melissa同台飾演笑星 141 | 難免會覺得有點勉強...或者應該說是不入流 142 | 本打算失望而回之際 他倆的冷嘲火花竟教我刮目相看 143 | 不禁會心一忖 有時越是嚴肅的人偏越易大放笑彈 144 | 145 | 總括而言 劇情和結局乃可想而知之路 146 | 然而根據娛樂性層面 必屬於優質特務喜劇加上三位通力已經值回票價 147 | 唯一驚訝反倒是rose的老態 縱然眼神仍流露出角色絕對定位的精湛技巧 惋惜老態畢現 使人無奈",negative 148 | 吾係好好笑姐，一般。,negative 149 | "但係我真係麻麻。 150 | 151 | 女角很賣力地演出。我更喜歡她在聖瘟神Saint Vincent中的表現",negative 152 | 標題一句講完，係好好笑，但完全無內涵。,negative 153 | 男再OK，女角唔吸引。一集起兩集止,negative 154 | "原以為好多肢體動作笑位，原來大部份預告片發生了，女主角幾個老土造型，80用夠膩了，不會是笑點吧，最失望jason, 大配角一名，這套是我今年至今第一套後悔入場之作。。。",negative 155 | 中段有D悶，套戲拖得大長！,negative 156 | 但浪費了jason,negative 157 | "笑位得一個，上車，反車，其他笑位一般炸wow，都唔知呢度有幾多打手，唉! 158 | 159 | 揸一野波就笑姐，再揸就冇效架啦! 160 | 成日argue多過做野，但對話都係得些少笑位，有種拖既感覺... 161 | 仲有好多唔logic既位... 162 | 163 | 爛gag一大堆... 164 | Jude羅好似大咖哩啡咁... 165 | 166 | 可能因為見咁高分，又想笑下，點知入左去好失望咁出返來... 167 | 168 | Hong Kong Movies你地留意下打手問題啦!",negative 169 | Very Americans movie. Not really that good . 可以不看。,negative 170 | 看影評有4.5分諗住好睇好笑。但入場睇後覺得啲笑位好一般，很少笑得出。好多是以粗口做笑點，當角色一講野你大概會估到個笑位會點出黎，無突如其來的幽默位。我睇到訓著，同埋唔多中意個女主角。套片太強調女主角肥胖，論盡，直腸直肚的個性為主的笑位，無乜驚喜。雖然也有爆笑位，但不足以彌補整體感覺，自己中間訓左也有miss啲笑位，最後沒埋尾就走左唔睇,negative 171 | 本以為大家這麼高的給分和讚譽，應該是一部笑料不斷的喜劇，說實話，如果說是動作喜劇我覺得還ok，喜劇部分其實大部分的笑料都在宣傳片裏看到了吧，反轉劇情意料之中。,negative 172 | 悶膠，主角唔靚仔靚女！勁多廢話！未到中場已好想走！,negative 173 | 總體符合預期：MMC好打得但講太多廢話，但JudyLaw段獨腳戲好突出，冇死個理由太牽強，光頭佬陪襯角色做到足，個Mi6 幫MMC恰到好處。笑位多，但唔深刻，太多血腥位，打左折扣。<<戇豆>>美國版。,negative 174 | "(預左比人dislike) 175 | 睇倒imdb同rotten tomatoes啲分咁低都知咩事啦 文戲實在太多 時空理念係好既 但係講得太詳盡 搞到前部分好悶 ko敵人又打得唔過隱 末日博士咁易就死? 唔係掛 睇落好似為完場而打咁 真係唔覺得有幾緊湊同刺激 176 | 如果有人真係覺得值5星 只能講各人口味唔同 177 | 真心講句:呢套係近期最差既Marvel漫畫改編電影",negative 178 | 開頭劇情發展太慢。😕,negative 179 | One of the most boring Marvel,negative 180 | 故事有D鬆散，劇情交代太多點樣成為超級英雄，反而打鬥草草了事，Stan Lee無客串。可想言知....,negative 181 | "1. 喺九十年代, Marvel將Fantastic Four嘅人物賣左比Fox Studio, 只要Fox每一段時間嘔一套戲出黎就可以保存住Fantastic Four係版權 (Spiderman, X-men情況不相伯仲) 182 | 2. 承上點, 導演Josh Trank不斷比Fox比壓力要喺deadline前完成套戲, Trank變到好憎個project, 每次去拍戲一係就爛醉, 一係就不停喺度鬧人, 一係就拖住隻狗喺度周圍破壞個佈景 183 | 184 | 3. Fox決定要重拍套戲嘅好多幕, 資金全部去晒嗰度, 連轉3D, 廣告嘅錢都冇, 令到套戲好遲先開嘅promote 185 | 186 | 187 | 可想而知, 好差。",negative 188 | 有期待，但失望。故事有點舊，無咩新意。選角減分,negative 189 | 攪咩呀？咩導演咩演員，投訴佢出爛片啦，唔識拍唔好學人拍啦,negative 190 | 選角已覺麻麻，故事有點悶。如果唔係特技救番，幾乎可以話係爛片,negative 191 | on9，科幻片，英雄片過來客串only,negative 192 | This is a very violence movie don't give much hope on it .👎🏼👎🏼👎🏼😓😓,negative 193 | 悶到起碼釣左三次魚。,negative 194 | "So I want to watch the movie simply because I'm a John green fan and I really like Cara. I've read the book at least 5 times before I watched the film, needless to say I'm quit disappointed about the outcome. The movie is nothing like the book, I don't know if they altered it to fit for the big screen or what, but in my opinion the script writer did a really shitty job. The movie focused on the road trip the group took whereas the book focused on the investigation and did a really good job handling what happened after Q found margo. The movies ending is so underwhelming that I left with confusion and a frown on my face. Not a clear massage is being bought out and it's like a story unfinished. I wish next time before someone wants to make johns book into a movie they would at least read the damn thing",negative 195 | 完全無劇情可言，超級悶，節奏慢，格梗拖長時間,negative 196 | "節省一向快的香港，人自然會對""慢""產生極大的厭惡感。而這套日本風格的台灣電影，正正就以香港人最不習慣的方式說故事。電影不斷埋下伏筆，讓人心癢癢的，腦子充滿問號。但其實電影賣的不止是故事，還有感情，氣氛，思考等等 197 | 有如茶一樣，慢慢品嘗，茶味會愈來愈濃，愈來愈有味道。如果急於知道劇情，而忽略享受片中的感情，不如看劇透擺了。",negative 198 | 講真。話拍得好靚我覺得又冇，好抒情又冇，節奏慢慢慢。高潮亦高唔到去邊。只是一味的慢慢慢。。故事其實簡單。只不過導演用咗倒敘和插敘咁樣拍落整套戲。有小小亂。。。主題不太明確。我唔多like拍成咁的清新文藝片。。。勁一般般的作品,negative 199 | "假如「念念」是一篇800字的作文，張艾嘉大概用了600字來寫引入，只後面200字才是高潮。 200 | 當然去看張的戲，從來得的都不會是荷里活式的高潮迭起，而是彷如一條小溪般流動的淡淡情感。然而今次節奏實在太慢太慢了！",negative 201 | 完全被片名騙了，似是狗狗反擊戰多一點,negative 202 | "好耐都未試過睇到咁緊張，完全帶到觀眾入戲，雖然小本製作，冇咩大場面，大睇頭！！ 203 | 但~值得入場既一套好戲👍👍👍",negative 204 | "I didn't expect all the ppl end up dead, scary",negative 205 | 拍得唔驚嚇 結尾又兒戲,negative 206 | 恐怖氣氛尚可、唯故事性稍弱、結局似強行為下集舖路。,negative 207 | "This movie has brought nothing special to the horror genre. Initially quite interesting, it became predictable and boring as the story progressed. If you have nothing better to do, however, this movie might be a good time-killer for you.",negative 208 | 不知所謂,negative 209 | "依家所謂嘅英國片，大部份都有荷里活嘅元素，呢套係少見嘅純英國出產電影。 210 | 211 | 片長個半鐘多d，導演營造咗一個緊張嘅氣氛，開頭第一場戲雖然反抗嘅規模唔大，但已經好震撼，唔知係唔係巧合，係六月四號上映真係啱晒。 212 | 213 | 套戲雖然好睇，但有樣野唔係好滿意，中後段男主角被人追殺嘅時候，明知人地有槍，點會仲囉把刀出去架。另外，裏面講嘅英文唔知係舊式英文定係愛爾蘭口音，仲知就唔係幾好聽啦。",negative 214 | The story and the idea is good but the movie is not that good,negative 215 | 不過如果對北愛歷史吾太大興復嘅觀眾可能覺得麻麻,negative 216 | 睇過影評咁低分已经唔想去睇喱套戏，但又咩嘢戏都睇晒，免为其难去捧下 007 场啦，点知真係讲多过做闷到呕，以前睇金刚既形象係又靓仔又有脑又有型，点知呢个 007 又無用又废柴，成套戯仲闷到瞓着几次，一的刺激同新科技武器都冇，咁唔使惗有咩似样d嘅动作场面…失败。,negative 217 | 乜鏡頭？快艇 查車的緊張氣氛都冇，好似主角係路人咁，劇情覺得係冇問題，其實外在條件都準備幾好，唔知點解拍得不夠足夠吸引。,negative 218 | 可以看多了007系列，動作，特技，主角依舊高水準，但欠缺亮點，笑點似是強加插賣錶，而且中間有段悶場。,negative 219 | 爛到了家還要死頂！南北韓真不愧是同宗！,negative 220 | Not worth that high rating,negative 221 | "非常盗是Magic加大盗, 好出色, 這片是一班身手不凡的跳躍族去盗去偷但片中愛情綫未到位, 大茶飯不緊張, 壞人結局....草草了事, 未至好悶但今晚瞓一覺明天不會記得劇情了",negative 222 | 以為好勁，點知個尾爛左,negative 223 | Sleepy movie.,negative 224 | 以為會好激，點知咁悶,negative 225 | 故事不值一提，整天在街跳跳跳，演技吾得，又卡士，一個字差,negative 226 | 成套戲又悶又無驚喜,negative 227 | 唔知有無關係 不過睇唔明呢集😰晒左張飛,negative 228 | 未上畫之前 睇到trailer Ｄ刻意驚嚇位 都ok 原來入左場先知原來要睇既trailer 都出哂 p.s 我都好猶疑左—陣 因為個trailer 我係戲院睇 在場班友係全部笑架 好似當年凶鈴甘 班友都係甘笑 因為一Ｄ都唔驚 都係睇番詭屋靈異實錄好過,negative 229 | 氣氛係唔錯 不過內有啲唔明,negative 230 | 我無說話好講，想悶就去睇！,negative 231 | "垃圾失望到極點 232 | 要講粗口😆😂😆😂",negative 233 | Wasting my time,negative 234 | 聽個名都唔想睇，媽咪俠做乜勁呢,negative 235 | "馮寶寶事隔N年後再拍新戲，當然值得入場支持，但見到高志森個名又突然疾咗一疾… 236 | 237 | 睇得出佢想為馮寶寶製造唔同嘅形象，但劇本有好大嘅漏洞，尤其係處理對白方面，有d感覺佢好似控制唔到班演員咁。 238 | 239 | 其實有班咁嘅演員，套戲應該唔差，但敗就敗係個導演到，可惜…",negative 240 | 有曾江，馮寶寶，本應十分期待，可惜劇來凌碎，實在拍得好差,negative 241 | "懶有深度，但只能拍到皮毛！ 242 | 理解到的⋯就算政治立場冇差異、但是問有一顆叫人去自焚的心嘅人，又如何拍到真正有感情的電影呢？",negative 243 | 高導演不如棄影算啦，d 題材已經了無新意。,negative 244 | 救命套戲講咩啊，睇唔明.......,negative 245 | 高志森。。。。。。。完,negative 246 | WTF？ 咩電影黎啊。,negative 247 | "雖然講咗美國啲衰嘢出黎.. 248 | 但係真係好紀錄片.. 249 | 有少少悶..",negative 250 | "Terrible, no good, very baf",negative 251 | 徐老克你臨老入花叢拍埋d 擦鞋戲，真折墮！,negative 252 | 演員演出一流，劇本有張力，十分好看，唯獨結局過份「染紅」，浪費了一個,negative 253 | 最後一段睇到我O曬嘴⋯呢個徐克係咪果個徐克？,negative 254 | "初頭見大陸反應咁好，就打算去睇下 255 | 中國電影黎講，劇情算新穎 256 | 但overall 有d 悶",negative 257 | 香港人勿中伏入場,negative 258 | 舊戲新拍，别出新裁，演員做得吾錯，梁家輝扮相突出。想當日，中共真心為人民謀幸福!,negative 259 | "劇情緊湊，徐克近期不錯的作品。 260 | 很反感哪些凡事政治行先的打手，郁唔郁就話人舔共。毫無貢獻，得把口，有料咪打返大陸，推翻共產黨囉。淨係識做鍵盤打手，搞分化，你同啲大陸五毛有甚麼分別！！！",negative 261 | 係男人一定唔會睇⋯女人都叫有D半祼男睇下、同班姊妹笑下。故事？乜有故事咩？,negative 262 | "前半保持到上集水準. 記者角色設計是聰明地精簡了原著情節; 田宮於公園一幕及對白""母親為救你而死"", 同時令主角想起上集佢亞媽(下意識抗拒寄生獸救佢), 主角有番眼淚亦喜亦悲嘅一幕最精彩. 263 | 264 | 但田宮之後每況愈下. 265 | 266 | 電影沒展現最強寄生獸如何殲滅整支特種部隊是一敗筆. 記憶中漫畫具體地形容最強如何恐怖(好似係班警察驚到向天台逃亡); 主角在漫畫被佢追殺時描繪得很驚心動魄, 可是電影中太快被追到並完事, 白白浪費營造緊張氣氛視覺較果. 首戰最強後, Skip 咗描繪主角沒有米奇的生活與心境變化又是可惜. 267 | 268 | 主角與女角發生關係一段 timing 安排得很差, 這幕在電影中並無需要. 與最強最後一戰打鬥不大精彩, 之後在拖戲, 對白冗長卻不精警深刻. 269 | 270 | 市長一番""遺言"", 聲撕力竭也沒用. 只説沒例子和畫面支持是沒感染力的. 最尾主角向女角說其實佢有埋到隻狗仔, 女角話知道. 喂大佬, 拍番個畫面show 下女角離遠望到主角埋狗同喊, 個效果就出. 但導演就係咁懶只說不做!",negative 271 | 成套戲對於我呢個冇睇上集既人黎講係唔錯既，不過導演太貪心想係下半集呢到講晒人文，哲學同環境保護呢啲話題。搞到有啲趕同囫圇吞棗既感覺，同埋係果幾分鐘既床戲對成部戲都冇推動既作用有啲為嬌柔做作既感覺。令到成場戲既層面失色不少。,negative 272 | 淨係個名都值五星 但太多博位 減返少少,negative 273 | 希望畫質變番以前咁“,negative 274 | Lack of story but the action makes it good enough,negative 275 | "一開始覺得還好，但2兄弟有乜理由為個識左1-2日的大陸妹。。去到咁盡。。太牽強。 276 | 277 | 劇情預期內，無驚喜，無特別。。。 278 | 只係為左睇2個人演技。。。",negative 279 | 開頭都幾緊張，好似d野想講 ，睇落去越來越唔make sense，成套戲都係講2個男人保護條大陸妹，2兄弟好似人格分裂。結尾又強行包番個message，搞到9唔搭8。,negative 280 | 只可以講純粹為睇演員，劇情一般，細節位又無乜交代到。,negative 281 | "見到巨人覺搞笑 282 | 明分拖長來做 283 | 太日式節奏唔多buy... 284 | 285 | 其實係悶的...",negative 286 | "將主角奮鬥嘅動機改頭換面 287 | 勁失敗。",negative 288 | 未睇過漫畫反而會好d，當佢一般戲睇其實唔錯，但可惜我睇左漫畫，好老實真係唔得，第一日本仔典型驚叫表情同個把死人聲真係好趕客，d男人一d都唔似男人，第二d關係真心改到不倫不類，唔改好過，起碼唔會得罪漫畫客，第三隊長真係好核突，我真係小左好多次，好既係d巨人做得幾好同第一次變巨人既打鬥既有張力，唉，好浪費，俾鬼佬拍好過,negative 289 | 我知道真人電影畫面上的刺激是不能和動畫比，所以我更加專注於電影上的故事。但可惜的是故事十分失敗。它硬要把男女主角的關係改變，明明女主角愛著男主角，誓要保護他，但是這片卻改編到女主角心入面只有報仇，十分錯的改編。另外，又硬加上感情線給主角，當主角想和那女人發生關係時，巨人卻吃了那女人，古古怪怪。這是一套失敗的改編，即時故事世界觀有多大，故事意念有多新穎，但是不能好好發揮，原著有多好看都沒有用。,negative 290 | "凡爾賽宮的小風波(A Little Chaos) 291 | 17/05/2015 292 | Kate Winslet 可能是本片最大的吸引力，而以她扮演性格獨立鮮明，園藝出眾的17世紀園林設計師De Barra, 肯定手到拿來 。而男角的實力也不弱， Matthias Schoenaerts 演出路易十四的御用設計師Le Notre, 那種温文爾雅，才情洋溢的特質也十分神似。但這是否代表“Little Chaos”是一部出類拔萃的作品？我真的有一點保留。 293 | 導演Alan Rickman選對了男女主角, 證明了他的獨到眼光，但這跟他的資深演員背境不無關係。不容否認， 本片的基本劇情發展絕對安排得順暢，由皇宮設計師的競選，到Barra 和 Notre 的惺惺相惜，兩人再共渡時艱， 造就了他們的感情發展，整條主線十分明確。可能是太着意太清晰，令影片光有外表，卻缺乏引人的戲味，更遑論轉折和高潮。片中不乏描述“情”的情節，但總令人有距離感 ，始終未能觸動心靈。 294 | 本片有令人目不瑕給的17 世紀宮庭服飾，文縐縐的對白，有安排出色的個别場口。但從整體角度看，卻又不太吸引，這是否導演的能力所限 ?而 Alan 在第一部作品“The Winter Guest"" 後，十多年才有 ""Little Chaos"", 是否已透露了箇中玄機？",negative 295 | 女主角又老又唔靚又肥、冇吸引力。,negative 296 | "...it is not the usual commercial film. 297 | 298 | Art directions and Kate are about the only attractions. Go and enjoy the film if you like any one of that. Otherwise, skip it. You will feel bored.",negative 299 | 節奏緩慢，似藝術片多D，本人太不接受，可能我吾欣賞。,negative 300 | It is very boring,negative 301 | "實驗性作品 302 | 完全睇唔明",negative 303 | 吾係甘好睇,negative 304 | "如題。借一對母子關係發揮成一套feature film,頭半小時好好睇，但之後還是沒有變化，就開弱了。感覺那個鄰居未有好好用來加強故事層次。",negative 305 | 主角為人善良，但為何每次穿鞋変身後總要做壊事呢？(偷，搶，騙)？？不明解讀？？,negative 306 | the twist is unnecessary and the plot is too short!!!!! are these common problems among most sequels of comedy?,negative 307 | "冇乜笑位 劇情麻麻 308 | 309 | 好似第1集比較好 純粹捧下隻熊仔場",negative 310 | 整套戲都講社會嘅壓力，加上人喜歡享樂同貪婪嘅人性所形成嘅故事。睇完我覺得個女主角好慘，為左個大學生付出左咁多，但係個結局就得佢自己一個承受後果。而且睇完之後令我對銀行嘅職員冇晒信心！,negative 311 | "請不要like或dislike一星仔和打手 312 | 313 | 老實說這齣電影我「看」了「兩次」，因為很好看？非也，是命運的作弄，一次在航班上，另一次因為抽獎得了優先場門票，但不幸地兩次都在精神恍惚、意志迷糊下欣賞，其實因為自己身體不爭氣，疲累得睡了半場，所以由我評價這套戲，有點不夠資格，以下我只以自己清醒時的理解，說說自己一點點零碎的感覺。 314 | 我覺得賓史迪拿在轉戲路或轉型中，畢竟喜劇演員有笑料用盡的時候，羅賓威廉斯可能為找不到喜劇靈感犯愁而抑鬱，又或者不甘只是喜劇演員而中斷生命，但他、賓史迪拿和占基利的攪笑形象太過深入人心，以致陷入進退兩難的尷尬局面，要演文藝戲，觀眾未必願意付鈔捧場，片商也不肯繼續以高片酬聘用⋯⋯難怪他們的戲軌都是「死路一條」。 315 | 之所以覺得賓史迪拿在轉型，只要你留意他由「情迷索瑪利」，經「翻生侏羅館」，至「發夢王大冒險」，已見笑料數量和頻率逐步減少減低，發夢王已偏重探討人生多於攪笑，而這一齣笑料更只是配菜，說理才是大部份，所以賓迷可能會覺得有點悶和不習慣。 316 | 片中賓史迪拿和娜奧美屈絲飾老夫老妻，而雅曼達施菲和阿當戴華演另一對年青夫婦，內容由中年危機開始，比較年青與中年對事業、愛情和家庭的不同價值觀： 317 | 1. 對事業：中年講多過做，諸多顧忌，裹足不前；年青做左先講，魯莽衝動。中年做事講原則，過程變得保守，年青的不擇手段，只求目的。 318 | 2. 對愛情：中年求穩定，反而一生一世；年青玩世不恭，各自搵食，互相背叛，離離合合。 319 | 3. 對家庭：中年講忠誠，或間中意亂情迷，但總能迷途知返，講求忠誠；年青的把家庭放到最後，可有可無。 320 | 4. 中年人願意向年青人學習，潮著、踩Roller、Hip Hop熱舞⋯⋯走入年青人世界（可能是唔認老或要強把青春留住？），但年青人不僅不接受，被利用完還被棄之如遺，我心照明月，明月照溝渠？以為是他們的全世界，到頭來卻走不進他們的世界？自以為是典範，想著被崇拜，結果教識徒弟冇師父？自作多情，諗多左？ 321 | 整體來說，對片子要表達的主題（如果沒理解錯）不喜歡，把中年人描成正派，年青人變成奸角，這種簡單二分法，令到說理失去說服力，有失客觀和中肯。如果中老年人保持青年的積極樂觀，年青人參考大人的經驗，學著謹慎，互相學習，互相欣賞和信任，世界有望變得和諧，生活將更美好⋯⋯可能我太天真，也太理想了吧？",negative 322 | "storyline and bad acting. Please don't spend money on this, a clear waste of money..",negative 323 | 不要被戲名和宣傳愚弄，完全不好笑，對白超煩，悶到嘔，回水！,negative 324 | 說出人到中年的苦惱，如何走下去早被社會所安排，半點不由人。中年人想變年輕人，年輕人表面放曠，其實嚮往名成利就。但係整個戲劇非常混亂，不帶半點章法，令人感到導演力不從心，如同電影中嘅紀錄片一樣，難以盡善盡美。,negative 325 | Extremely boring!!!👿,negative 326 | 故事一開始係唔錯，表達到2代年齡層之間既差別，但去到中後段開始唔知想點咁，我睇到有Ｄ亂。,negative 327 | "片名叫《玩轉4字頭》，顧名思義，即係講40歲嘅野，片頭開始都仲算係貼題，兩公婆面對生仔嘅問題，中年人接觸年輕人嘅野，套戲頭三份一之後就開始有d離題。 328 | 329 | Ben Stiller拍紀錄片，有個後生仔黐埋佢到，想借助佢嘅關係，接近佢老婆阿爸，而且呢個後生仔嘅紀錄片大受歡迎，Ben Stiller發現呢個後生仔嘅紀錄片有問題之後要佢當面同全部人解釋。故事黎到呢到就好有問題啦，呢樣野同40歲有咩關係啊？呃人呢d野幾多歲都得嘅啦，之後套戲嘅結局都唔係好明。 330 | 331 | 四個角色裏面演得最好嘅應該就係囉左上屆威尼斯影展最佳男演員嘅Adam Driver啦，佢演呢個角色都演得幾奸下，本來想比套戲三星，但因為Naomi Watts所以比多一粒星啦。",negative 332 | "This movie successfully relayed to a group of couples whose career, marriage and just about every aspect of their lives are getting stale. 333 | 334 | It tried to mix thing up in the movie. I think some of us will get inspiration but others might find this impossible.",negative 335 | 未睇之前以為主要係講40代同20代的對比。但點知唔係好深入講。有悶場。主要係講透過兩對couple帶出拍攝紀錄片的唔同觀點。對拍攝唔多熟悉。好難代入。,negative 336 | 自問已是個四字頭，但看這電影卻沒一點共鳴，太一廂情願的將四字頭描寫成沒理想沒生活沒意義的失落一代，對年輕一輩卻看作冒險、不負責任甚至詭詐的一群，這樣的故事架構本身已無趣，然後他們之間的交集竟然是拍紀錄片，如此離地的題材，根本難以令人投入，勉強了大半場，只好放棄！抽離去看更覺賓史迪拿無聊，他在《發夢王大冒險》的角色意圖在這次翻新一下再用，更加是令人滴汗！,negative 337 | 親親共匪的屁股，請回大陸拍戲，唔好欺騙香港人金錢，過主啦！,negative 338 | 戲情已經悶同差 最差既係成日無啦啦唱啲普通話對白 睇到中途頂唔順走左,negative 339 | "Wt_ is going on? A boring story with tones of annoying putonghua songs that made me can't even nap in the cinema. 340 | 341 | Rating it 0.5 for the movie stars",negative 342 | "杜琪峯有唔少作品都非常優秀，《鎗火》、《PTU》、《黑社會》、《奪命金》等等，甚至乎最近嘅《毒戰》都幾唔錯，但今次呢套《華麗上班族》就好失敗啦。 343 | 344 | 首相要講講個劇本，唔係話張艾嘉寫劇本唔得，而係呢種劇本好明顯局限左杜琪峯嘅發揮，睇開杜琪峯d戲嘅觀眾都應該知佢最拿手嘅就係處理外景，但呢套戲全程都喺個搭出黎嘅棚裏面，咁就見到杜琪峯d功力冇曬啦。 345 | 346 | 發哥戲份少所以就唔講，陳奕迅做得唔錯，張艾嘉同湯唯就一般般啦，其實個人覺得拍音樂劇或者舞台劇係冇問題架，但首先你d歌要好聽囉，但呢套戲d歌真係好鬼難聽…",negative 347 | "東京未婚妻(Tokyo Fiancee) 348 | 09/06/2015 349 | 看“東京未婚妻”的觀眾，極可能有非常分歧的感覺和看法。 350 | 如以一種外地人的角度看日本本土文化，像片中女角愛美麗看法一樣。那麽 ，看到的是簡單直接，愉快新奇的一幕幕 。雖然玩味甚重 ，但在調皮的背後，亦有寫實的深度，間接道出日本文化令外來者疑惑的一面 。 351 | 如以熟悉日本文化的角度來看，本片肯定令觀眾有不是那杯茶的感覺。他們會感覺本片充斥着頗為表面的描述 ，甚或零散的事件編排。劇情不是談情説愛，就是飲飲食食 ，整部作品就像沒有基礎地懸空了。 352 | 你是前者還是後者？我的選擇是：寧願簡單一點。對 “ 東京未婚妻”，我有出奇的好感，那可能是我欣賞女角Amelie對日本簡單不過的好奇心 ：愛日本 ，找個日本男朋友，談情説愛，發掘日本有趣文化，然後愛情無疾而終。這不就是青春嗎？燃燒青春就是這羣年青人的特權。 353 | 再加上片中亦有提及對日本文化， 家庭關係，婚姻等種種疑惑，雖然着墨不深， 但仍看到導演的努力。用簡單的心態與角度欣賞本片， 肯定你會有較大得着。 354 | PS: 最令人摸不着頭腦的是 ，導演為何保留一些沒有用處的裸露鏡頭，而令作品變為三級片？",negative 355 | 剛回顧完布達佩斯大酒店再來看這一部電影，覺得節奏略顯緩慢，想必導演還是想刻意營造這樣的氛圍。醫生的演技差評。想看看Dolan的《媽咪》,negative 356 | 成個故事都好唔合理，講佢點解會唔變老，又講得好求其，同埋如果佢已經咁老，又鍾意個後生，好有嫲孫戀嘅感覺，成套戲都有d悶,negative 357 | 虽然是女神Blakery演的电影，但是剧情什么的真的是太过白烂，编剧的脑洞实在太大而且有些地方衔接得太牵强，要不是为了看女神，真的不值得去电影院看！,negative 358 | 評分低，冇expect太多，所以比預期中好睇嘅。,negative 359 | 成套戏无晒第一集嘅紧凑同吸引力，又冇第二集嘅连贯性同咪追看嘅价值，口水多过茶，有一段戏仲几乎瞓着咗。明白点解会被評得咁低分。非常失望,negative 360 | 當然不能與小説相提並論，有些說悶的人，你們有看過小說嗎，如果就咁睇一集，覺得悶也是正常的，但電影始終係電影，將整本小說的結局，能用2個多小時拍成這樣已算不錯，但我不覺得悶，反而不想就咁完。但有些劇情位置，如果不是為了3D效果，是否會拍得更好。女主角真係愈大愈靚，但大結局完了，真的很不捨，唯有再看小說吧！如果將來所有戲都拍成有3D效果岀現，我諗我吾會再入戲院睇戲。,negative 361 | 悶就係悶咗D，但係無人哋講嘅咁錯,negative 362 | 為睇而睇，最慘系上套講乜已唔多記得，結果頭個鐘睇到舊雲咁😅,negative 363 | 5明點解最後宣佈殺snow嗰時啲樓無爛曬。。。5明點解女主角kiss男主角就會清醒。。。5明點解自己要睇le套戲。。。,negative 364 | 如上，结尾交代真的一般，失望。,negative 365 | 主要交代劇情，中場只有一少部分打鬥，不過本身呢一類小說都係fans向嫁啦，睇開咪繼續追落去囉。今集只係嫌佢走得太快，成部電影剪到一忽忽支離破碎，好似一段段片段痴埋一齊咁。,negative 366 | 再一集係交代劇情　相比係第一二集　呢集失色了　睇完即刻返屋企睇返第一二集,negative 367 | "好悶 無乜高潮位 女主角行事無乜計劃 368 | 好多對白 以為有仗打 原來係小隊出戰 369 | 根本無需要分2集 第1第2集都係好平淡無高潮位",negative 370 | 我覺得最後個到有d悶,negative 371 | 以改篇小說而言，太多嘢交代，但仍有緊張場面，今集配角出色，女主角反欠進一步驚喜,negative 372 | Hunger game final麻麻地，節奏比較慢，全長138分鐘，中間有d悶,negative 373 | "追咗咁耐…來到最後一集,冇理由唔去睇…有點而失望",negative 374 | 節奏慢，文戲多，因為睇開，還需完成。當中都有一、兩幕比較緊張和有可觀性。,negative 375 | 沒有最爛 只有更爛！！,negative 376 | "追開嘅應該都早知結局啦 377 | 378 | 原本見一本書分兩集播 379 | 380 | 上集已經無咩睇頭（口頭交代），以為集中火力於最終回？Sorry, 原來呢個諗法太天真。 381 | 382 | 演員演技唔係唔好，但都無補於事。 383 | 384 | 睇開嘅睇早場算喇，剩返嘅錢用嚟買書珍藏好過。",negative 385 | "打定輸數 386 | 但比預期中好些 387 | Jennifer lawrence是亮點",negative 388 | "緊張位太小了。。。 389 | 而且我老公睇到訓著左",negative 390 | 有點亂，馬虎，我睇哂咁多集，呢集太求奇！,negative 391 | 不值得看 破壞整個故事口卑,negative 392 | 無必要拍下集啰！浪费時间！,negative 393 | "成個系列拍到爛晒 394 | 拖到分開p1 p2上映 395 | 論劇情，大把小說改編電影好過佢 396 | 論特技，大場面雖然吸引 397 | 但唔好抱咁大期望入戲院",negative 398 | 悶到死， 平鋪直敘，最後收尾間直不知所為。不是作者的問題，是導演的冇料到,negative 399 | 真系好悶 中曬伏 好耐冇睇過咁爛既西片！ 成套戲講多過打 得黑色墨水同埋變異獸好睇d...136分鐘 悶足100分鐘,negative 400 | 將5集減為三集就可以。今集好能悶。好九悶呀。其實一早想吾睇。但睇左三集比佢騙多兩集。朴街。,negative 401 | 口水多過茶，電影非常乏味。沒有一，二集的神髓，草草了事，可以不看。,negative 402 | 唔係為咗第一二集真係唔去睇！,negative 403 | 五好睇，又悶，高潮位又少,negative 404 | "本篇電影故事情節有點兒牽強，無什麼科技的十三區難民去攻打高科技都城，沒有什麼人海戰，沒什麼械鬥或兵謀；短兵相接的情節東拼西湊下，史諾總統就莫明奇妙地給反抗軍俘虜了。女主角多次重傷住院都沒死，隻身走到總統府都可以安然被帶回療傷。 405 | 睇小說既話，反而省卻好多呢啲牽強既環節～ 406 | 同RUNNING MAZE一樣，呢幾年由小說改編而成的所謂三部曲，已經越做越失色了。",negative 407 | "JLaw係我最鍾意既演員之一，所以死撐都撐埋第四集。頭一二集都仲幾正，第三集mockjay1開始已經有沒完沒了既感覺。 408 | 以呢類青年美國戲黎講算係唔錯，有談及人性同歷史既先例，比起Twilight/Maze Runner有意義得多。但戲情依然易估同主角永遠都超級好采又打極唔死。",negative 409 | 不算動作片劇情亦不緊湊，有點失望,negative 410 | 如果有睇原著的就一定會知劇情，只係電影有好地方跳晒！同埋最後的結果真係。。。,negative 411 | 冇咩驚喜，結局平平無奇,negative 412 | 尋日终於睇左 可能我期望過高 真係有Ｄ失望 眼高手低 文戲多 我隔離個唔識係度玩fb. 但係唔睇又唔得 睇左之前個三套唔通唔睇咩？！ 咪玩喇老細,negative 413 | 本來都有的期望，睇完實覺爛得交關，唔信你就試下，兩個人二百多元，兩個鐘左右啫！',negative 414 | 整套電影毫無高潮！毫無緊張刺激！悶足全程！導演、編劇要打Pat Pat！,negative 415 | "今集影評真系好壞參半 416 | 個人覺得動作成份不過不失 417 | 當然劇情要交代清楚系會較悶 418 | 但亦已經糸最後一集所以必追 419 | 只覺得結局有點草率左少少",negative 420 | 節奏太慢，女主角一臉我一定不會死的淡定。,negative 421 | 開頭悶到訓左.....唔係男友係到叫返醒我....我諗我訓死了,negative 422 | "悶場，爛尾 423 | 爆破場面唔多",negative 424 | 結局真心急過頭 重點反政府個到無重講,negative 425 | 除了特效，一无是处！无聊无趣，逻辑不清，感情线肤浅做作。,negative 426 | 女主角不聽號令的行動，是整套戲的戲玉，但結果卻變成無甚意義，令人覺得有犯駁之處，但如果她不是不聽號令，整個故事又無法更精彩地發展下去。如果她是超能力者，當然可以配合反抗軍精彩地打一場絕地反擊戰，可惜她不是復仇者聯盟，所以劇情理所當然不能滿足觀眾對現代科技動作片的需求。整片的特技及劇情亦繼續圍繞飢餓遊戲，算是沒離題，但文戲太多，亦令追求觀感刺激的觀眾失望，總體我比3.9分。5分平衡下1，2星。,negative 427 | 看過第一二集自然想追埋落去，第三集同今集頭段故事發展都比較慢，去到尾段比較趕倉卒，變成這集只是交待結局，冇咗頭兩集既故事感。,negative 428 | "忠於原著 變種人好恐怖 好睇 429 | 但無睇前面故事的話 可能會唔明發生咩事",negative 430 | 本身一直好中意hunger game 一直都有追 認真呢集講多過打 前面係咁感情戲 訓左加埋都10分中,negative 431 | "I like the story but the movie is a bit boring 432 | 同埋如果無睇之前集數，會完全唔知套戲up乜",negative 433 | Part one was already boring ! This one is worst !!!,negative 434 | 本身追開頭3集， 第一、二集都算過得去， 去到第三集已覺悶到反眼， 預計第四集會考慮去唔去之際， 但見到大部份評價劣評如潮， 為免入戲院瞓著都是放棄好了。,negative 435 | "雖然個尾係有小小失望， 436 | 但故事整體都算係咁啦！ 437 | 不過又係有啲zombie之類ge野…@_@",negative 438 | 今集真係有啲失望，冇咩緊湊嘅環節，最期待嘅激戰部分竟然冇出現過，仲要係最老土果隻「暈完醒返場仗就打完」...,negative 439 | 西片黎講 佢都算係tbb 咁大家明啦 有時間又冇節目又眼瞓但又想出街 其實可以去睇呢出戲 包好瞓,negative 440 | "Part II is NOT necessary as the show can be concluded in one episode. Nevertheless, the conclusion of this movie draws a good reminder to all the current world leaders to lead the world with great purpose than short-term gains. ",negative 441 | 如果有睇頭兩集既話，呢集都值得睇既。雖然劇情冇咁吸引，但都有適當既緊張刺激位，開頭有小小悶。,negative 442 | "冇feel....主角光環出曬面。。。set好曬成條路比佢行，去到後尾估到曬想點，悶到一個點-.-後悔睇左(利申冇睇過書 443 | ",negative 444 | "追呢開套戲嘅，點都要追埋呢集架啦， 445 | 好睇唔好睇始終要為呢套戲劃上句號～ 446 | 447 | 首先好多人都話睇果時係想套戲快啲完， 448 | 悶到瞓著，咩廁所位⋯唔係掛⋯又好似part1咁⋯ 449 | 咁我頭先睇完覺得又無你地講到咁鬼差⋯ 450 | 451 | 可以講part1係交代，呢集就真·開波， 452 | 悶就得開頭少少，之後都好okay， 453 | 劇就唔透，入去睇啦。 454 | 455 | PS：假若你一集都無睇過，本人建議閣下唔洗入去睇呢集，留返啲錢，等出套裝bluray版，叫埋班老死一次過喺屋企煲曬去仲好⋯你咁樣齋睇左呢集到時又上黎話悶到抽根就無咩意思😏",negative 456 | "拉布情況好嚴重，為賺盡不惜拍多集爛片，明明係經典,可惜可惜",negative 457 | "好似好夾硬嚟，但又可以解釋到 458 | 因為想獨攬大權而搞出呢壇野／爆炸2次／統統都好似好合邏輯，但感覺怪怪 459 | （冇咗第一，二集既吸引力，似拖長嚟做）",negative 460 | 開頭悶到pk...中尾係好緊湊既，但成個幾鐘後既事，唔係同人一齊睇既話，一早走人。,negative 461 | 唔知本身個故仔係咁 定係剪得差 個感覺好似係1忽1忽 無完整性 有d部分過長 令到成套戲好似特登拖到2個鐘咁,negative 462 | Story very simple and boring！ I fall asleep in the middle of movie! Way too line!,negative 463 | 可惜既係，套戲爛尾係因為本身個故事都係爛尾,negative 464 | "本來個題材都唔錯，第一二集都好睇，但真係唔明點解自由幻夢要分兩part，編劇又差，其實可以一集做哂，可能係為左想賺多啲錢而分兩part掛。 465 | 最衰嘅係爛尾！真心唔明點解Katniss醒返就乜事都冇，個戰爭就咁就完左，呢個係令我最不解同失望嘅地方。 466 | 本來對呢套戲係幾期望，果然期望愈大失望愈大，就咁就浪費左一個好劇本。",negative 467 | 劇情張力不夠，故事性不太強，唯動作及特技勉強合及。如非一直有追看前集而想得知結局，此集不值一看。,negative 468 | 講真，自由幻夢不需要分開上下集，上集悶不再講，下集兩個鐘得中段好少少，同打變種人叫刺激的之外，其他時間悶到瞓著左,negative 469 | "如果5係睇左身1集ok,根本5會中招睇第2集,所謂架結局住分開上下集騙錢,第2集已經中左伏架啦行行企企講多個做甘就完左1集,今次局啦住睇第3集啦~叫做有點野睇啦～但都係悶到反艇拖長來做,成班所謂架前線根本5似打緊仗,長期行行企企講多個做,戒備狀態係0架~所謂個件scanner甘重要又只會得1部而又只能根1個人shit~軍人打仗得刀仔真係第1次見,長期影住女主角大特寫演繹內心戲,但其實根本冇戲,最好戲只有1場得最後,完全冇危機意識",negative 470 | 最好看都係1-2集。今集都係悶,negative 471 | "《飢餓遊戲》的主題是其實我們日常生活中會遇到很多殘酷的抉擇，雖然未至於生與死，但是足以影響身邊的事及人，而我們會從這些抉擇中成長，決定我們的為人，從而發掘出人性的真善美 472 | 473 | 這套電影雖然沒有哈利波特般充滿動作，愛情，刺激，但是他較有內涵，亦講述一個更像我們的平常人。katniss並不是無所不能的英雄，而是為時勢所逼，為家人前途著想站出來，她亦有人性軟弱的地方，因此我們很容易將自己的經歷與她聯繫 474 | 475 | 我十分明白為何這套戲負評如潮，電影或許不是大家所預期的驚心動魄，戰鬥連場，但是mockingjay part 2亦有他令人深刻的地方，作為一個終極篇，它成功完成了他的任務，因此我離開影院的時候仍然是一位滿意的顧客！",negative 476 | 我唔介意踩多一腳咯⋯,negative 477 | 等到最後一集，可惜又長又悶，無高潮，就算你無睇過本書都知道內容的發展。打鬥場面很弱，CG也十分行貨。有負影迷的期待。,negative 478 | Not like the first movie. Too predictable.,negative 479 | "真系好慢同好呃錢,結局又草草了事",negative 480 | 哎，太长了两多小时坐下来，中间就想快进，感觉很硬生生想拉长电影拉得太明显，不是很有意思，最后那个老总理被抓显得很突兀，有种该细节的地方不细节，不改的地方拍好久。什么最后结婚生子这种段有放那么久的必要吗……,negative 481 | 夾硬拖慢黎分兩集上畫，結局悶,negative 482 | 太女人了（只係著重感情細膩），不宜男人觀看,negative 483 | "頭中段好睇好刺激 豆夾位我覺得可以再多啲 484 | 最後令你會唸 幾時完場。後尾真糸好悶！",negative 485 | 第一日已經看了，遲了評分，因為一直在看，所以沒有放棄終極編，本身好欣賞女主角的角色，用人用得好，失望是在女主角唔打得，只是自己的感受，如沒有同感，請見諒。,negative 486 | "Other than the violence and gore that isn't quite surprising anymore for hunger games that is supposedly aimed at tweens, the last episode was as expected. Graphics was good, storyline a bit too draggy, but acting was good. Nothing special or ground breaking.",negative 487 | For Philips Hoffman ;) waste for such a great cast!!!,negative 488 | "一二真係好看 489 | 三太失望 490 | 四有点失望",negative 491 | "呢套戲除左失望之外無另一個形容詞！ 492 | 493 | 又悶又難睇！依套嘢40蚊都唔值！",negative 494 | 整個系列虎頭蛇尾又一例子，成套戲冇高潮可言！,negative 495 | 追了hunger games幾年從未斷過。這次是最後了…雖然結局有點令人有點無言，不過整體劇情來講依然緊湊。贊,negative 496 | "不好睇！講多個動作！！！！！ 497 | 睇電影有（五金店）送！！",negative 498 | 悶到訓着。比大陸片更差。戲院老闆不要播啦，怕割爛坐椅。,negative 499 | 垃圾到仆街。我係一路睇緊套戲一路打緊呢段評語。如果你地想睇一套口水多過茶，令你狂打喊露既戲，咁就簡呢套戲黎睇啦！,negative 500 | positivest half is super slow and 2nd half has little action. Disappointing ending to the series. People sitting behind me were so bored they were watching another movie on their cell phone!,negative 501 | "無期望都可以咁失望 502 | 悶到訓著咁劑 好想離場 但礙於俾左錢既關係 撐到最尾 真係吹9脹",negative 503 | 為了完結而拍，沒驚喜，沒太刺激，有點失望。,negative 504 | 開頭係幾好睇，點知去到最後真係屌左出聲，一間院成60幾人，起碼有40幾個都大聲屌！結尾垃圾到仆街！,negative 505 | "套戲垃圾…拍攝無聊… 506 | 故事無言…戲情無稽… 507 | 交代混亂…為拍而拍… 508 | 拖拖拖拖…每況愈下… 509 | 掛名影后… 510 | 真係唔知睇左一套咩片 511 | 文戲?!愛情?!喪屍?! 512 | 請恕小的睇戲太少…印象中搵唔到一套戲比它爛睇/_\",negative 513 | 好公式的一個結局，真係為左拍而拍咁，呢一集女主角好似無咩表現咁，反而個總統史諾幾好戲。,negative 514 | 本來打算睇女主角點結束場戰爭，點知……俾戰爭結束佐女主角，總之就麻麻哋，俾之前果D評論呃佐。,negative 515 | "老實說我認為第一，第二章的飢餓遊戲比較好睇！ 516 | 因為沒有了在遊戲中的激烈，現在只有革命的故事，初段比較有悶場。 517 | 尾段處決snow的時候常算不錯！",negative 518 | 我以為上集文戲係交代劇情，今次滿心期待一出就睇，結果咩狗屎劇情，無聊到我後面個阿叔打住鼻鼾睇咗半場，我冇怪個阿叔，因為真心無聊，過咗幾個陷阱一堆為出場而出場，為死而死嘅死晒之後，以為要打大佬之際同我講空襲投降？？？？？都城唔係軍力無敵對手只係貧民同反抗軍？？？？？一早空襲就得咁珍妮花穿乜陷阱？？？？？咁多錢佈陷阱冇錢防空？？？？？仲要投降咗之後仲無聊住咁拖咗陣，成集嘢我完全唔覺得有一個位係會令人振奮嘅，抱住希望入去，屌住咁走,negative 519 | 最精彩 trailer 出晒，睇落好似好緊湊，只係得中段1part 精彩…但個結局感覺太'hea'!!太平淡完 ……只係比part 1好少少，最好睇都係 1，2集…… 總括黎講，信我講，唔好抱希望入去睇，會開心d,negative 520 | 我冇睇過原著，只係以看電影既心態去欣賞，由12年入場睇第一集到呢集，之前幾集都好好睇，但唔知點解今集就失晒焦，冇晒重心去講個故事，今次頭幾集既重要人物角色都只係出一出場，唔知係咪因為演員Philip Seymour Hoffman吸服過量藥物身亡而影響了打後劇情既發展，一開場便說了超過半小時既文戲，到中段差不多每個場景又跳一跳，白白浪費了華麗既場景，到後段更是趕收工感覺，Gale這男角色忽然轉變實在令人費解，劇情交代實在有點亂，感覺很不實在，不知是不是導演拍的問題 :( 個人對前幾集都很滿意，都是同一既飢餓feel，為何到了最後一集可以拍成這樣呢？ （以上只屬個人意見）,negative 521 | 呢集比上集緊張剌激，因為上集太多文戲。黎到大結局，我嫌最後3分鐘有d畫蛇添足。加上「異型」嘅出現有點不似飢餓遊戲嘅style!,negative 522 | 掛羊頭賣狗肉，又話好勁會打到飛天，上集已經悶，今集仲悶，主角們節節敗北，成日講埋d兒女私情，仆街,negative 523 | "由第一集嘅爆炸性題材，到第二集女主角嘅癲瘋作戰 心裏已經對呢部電影有好大嘅肯定 好想睇之後嘅發展(我冇睇原著) 睇完第三集已經好想x出黎 點解個劇情會系咁 會系咁無里頭 成集個焦點吾知系邊 心諗算啦 可能導演想埋更多嘅伏筆系完結篇 所以呢集會輕描淡寫咁帶過 點知...點知WTF 今集搞乜鳩 我吾可以話忠實fans 但都有追開，好滿心期待咁入場 一開波聽班友鳩up左一輪 之後終於到女主角出場 以為可以睇番場激烈小小嘅打鬥 可以睇佢射極都仲有嘅神箭啦 頂...射個幾野就算 仲要不斷咁比人做低 跟住又出去行行企企 打機咩依家 最離譜系個結局 好似夾硬要埋尾咁 吾想拍咪吾好拍囉 真系NTMD 524 | 一句到尾 失望 入戲院睇咁多戲呢套系唯一令我有睡意 系咁",negative 525 | 不過成套故事就係講啲爾虞我詐嘅野，成日比人罷佈，個個都為自己目的而說話～男女主角都唔知咩係真咩係假～尤以peter仔特別嚴重，究竟係咪女總統下令炸人，定男總統自編自導插贓架禍，最後又係咪鐘意Peter仔呢啲野，先係故事重點，不過都真係幾悶⋯,negative 526 | positive0萬個失望。。未試過睇戲未夠一個鐘就想走。。中伏😑千奇唔好睇，儘管你每集都睇過。好悶。。又貴張票！結局草率了事，求求奇呃人咁多集,negative 527 | "不能入圍oscar侯選名單 528 | 實在可惜 529 | 真的很喜歡這電影",positive 530 | "我沒看過漫畫 但我覺得這戲很好看 531 | 雖然故事簡單 一間只開夜晚的食堂 有著一班常客 而各人背後都有其獨特故事 532 | 其實是一個非常眾生相的故事 好看！",positive 533 | 食客無論在生理和心理都得到很大的滿足，平時難以啟齒的心事，都可暢所欲言！睇完套戲很舒服，好希望屋企樓下有這間食堂,positive 534 | "透過食物說故事，大愛！ 535 | 簡陋的食堂，滿載的人情，加上味蕾的享受！可惜係香港這般彈丸之地，覓一處此地幾乎沒可能！",positive 536 | 片頭的音樂已令人完全投入，故事平淡得來感人，是最佳的生活點滴,positive 537 | "好鍾意嗰一種，入到去間舖 538 | 跟住周圍嘅人唔多唔少都係識嘅嗰一種感覺 539 | 540 | 見到啲嘢食，好想即刻搵嚟食⋯",positive 541 | "Ordinary stories, but with strong emotional influence. Good food as well",positive 542 | 這種窩心的感動非語言所能比擬的。套戲雖然節奏較慢，但淡淡的感覺對比都市的急促和繁囂,positive 543 | ほんとうに感動でした。,positive 544 | 內心細膩，沒有太多的敍述，一舉手一投足，配合動聽的音樂，已足夠。,positive 545 | "節奏慢，但細緻。 546 | 細節位恰到好處。 547 | 感覺精緻。",positive 548 | 喜歡日本風情的人士不要錯過 故事平淡得來感人，是最佳的生活點滴,positive 549 | 整個食店的環境令人與人的關係更加密切，更加有人情味。故事雖然是比較平淡普通，但將其與食物連接上確實是另一番風味。,positive 550 | "雖然沒看過漫畫與電視劇集 551 | 看前大概知是甚麼一回事 552 | 聽朋友說，第二三個故事是虛構 553 | 但仍是不俗 554 | 最喜歡咖哩飯的故事 555 | 唯一遺憾是太多不是深夜食堂的景了",positive 556 | "電影由3個故事組成，其中第2和第3個故比較好看，尤其第2個故事＜咖喱飯＞中master和女角想愛而無法愛的情感令人無限感慨，相信會引起不少觀眾共鳴。 557 | 不過，第1個故事倒是有點敗筆，實在不太明白故事究竟想帶出什麼訊息，沒什麼觸動人心之處，若能換掉這個故事，相信會令電影加分。 558 | 不過，整體來說，電影版貫徹了電視版的風格，劇情看似淡然，但依然無聲無息觸動到觀眾心靈的某個角落，所以還是值得一看。",positive 559 | 值得一看~平凡既人都有不平凡既故事~,positive 560 | 感覺同電視劇一樣 睇完劇場版 就好似一囗氣睇左三集咁！ 每一樣食物都代表一個故事 而且故事中亦感覺到有一種說話想表達比觀眾 我諗我唔洗講 大家都估到就係 人情味！ 睇完之後比到我個感覺真係好窩心好舒服！,positive 561 | "影片由三個故事組成，畫面、音樂給人很舒服的感覺，簡單表達老闆和食客、食客之間的情及客人的故事。 562 | 563 | 一開始那些客人，曾看漫畫，覺得選角很像。食物及老闆的煮食過程都拍得很吸引。 564 | 565 | 尤其受感動是，老闆很貼心為客人預備窩心的食物，有些是客人點的，是對他們別具意義的食物，完全感受到食客吃到的，不止是口福的滿足，是一份安慰和懷念。 566 | 567 | 除了人情味，也加了老闆的日常生活和一些好笑的情節，令電影增加不小趣味。只是，略嫌咖哩飯的故事太長，內容表達得不夠深入、未能寫出各角色的故事、內心及掙扎。",positive 568 | "終於可以睇到深夜食堂電影版上映, 即時買定飛入場, 好有意義的戲.",positive 569 | 劇中透出一種濃濃的人情味，以幾個客人的故事構成，比起香港其他某些，是某些，垃圾港產片，唉，簡直無法相提並論。,positive 570 | 深夜食堂引人入勝之處，是由食物帶出的那份人情味，電影版的故事沒有令一值追看的人失望，寫出了這世代面對的無奈與感慨，值得一看！,positive 571 | 睇呢套戲時一路有睇緊漫畫既感覺，雖然平淡但樂在其中，希望佢地一路跟住漫畫拍電影啦！,positive 572 | 從故事結構，配樂，風格上讓人感覺就像在影院看電視劇。不過本身故事很好，也值得一看,positive 573 | 在繁忙既生活，可以洗滌心靈既一套戲！,positive 574 | "一開始簡單幾句介紹左唔同既熟客 575 | 方便左啲無睇原著既人了解 576 | 同電視版無太大分別，唔難適應 577 | 仲多左好多角色 578 | 多左老闆平日晚生活，幾意外 579 | 除左第一個故事有啲難明 580 | 其他都幾好 阿滿個角色表現可以再好啲 581 | 無刻意煽情 結尾幾Warm",positive 582 | 故事看似平淡，但充滿人情味，意料之外的好作品,positive 583 | 值得一看！如果你想安靜的享受每個小故事那就去看吧絕對不會讓你失望,positive 584 | Goodddddddddd,positive 585 | 這套戲透過一間深夜才開嘅食堂，來帶出每個食客的背後故事，食堂老闆就像一個神父，聆聽各人的心聲！老闆牢牢記住所有食客的喜好，烹調出好多窩心的佳餚，令到食客無論在生理和心理都得到很大的滿足，平時難以啟齒的心事，都可暢所欲言！睇完套戲很舒服，好希望屋企樓下有這間食堂，咁就冇得頂啦！,positive 586 | "不知不覺間感覺到那份人情味 587 | ～ 甜雞蛋好正😆😂😂",positive 588 | "簡單，恬淡，優美，情深， 589 | 哈日族必看，！",positive 590 | 我好喜歡食堂老闆個種善解人意的態度，他不像其他食客對當事人的遭遇多多意見，好多時都只是細心聆聽，不發一言，但他每每都比其他人更清楚當事人的感受，並即時端出令人垂涎欲滴的美食，這種窩心的感動非語言所能比擬的。套戲雖然節奏較慢，但淡淡的感覺對比都市的急促和繁囂，無論戲內的人物或觀看電影的都市人，都是令人心靈清靜的良藥。,positive 591 | 厡汁原味帶出人間情，master跟各老顧客之間的關係⋯久違了,positive 592 | "令你會心微笑 593 | 不知不覺就過了兩小時",positive 594 | "每次睇完深夜食堂 595 | 個心總有種說不出的安靜 596 | 雖然個故事無劇集甘好睇 597 | 但都已經好滿足",positive 598 | 喜歡看電視劇的一定會喜歡，片頭的音樂已令人完全投入，故事平淡得來感人，是最佳的生活點滴！,positive 599 | "非常有地區性嘅電影，外景唔多，八成時間係間食堂裡面，套戲拍得好仔細，連整嘢食嘅過程都拍埋，睇見d食物都流曬口水💦，三個故事都非常精彩，完成講出日本社會嘅現實情況，尤其係311之後嘅變化。 600 | 601 | 套戲雖然節奏慢，但兩個鐘頭毫無冷場，觀影過程完全feel唔到任何東京嘅氣氛同熱鬧，如果唔係開頭嗰場戲，真係唔知嗰度係東京。 602 | 603 | 越望得老闆多就越唏噓，究竟社會仲有幾多個咁嘅人呢？",positive 604 | 雖然節奏比較慢，但總流露出淡淡的感情，令人感動，偶爾的笑位也很有趣,positive 605 | 如果你想追求一套很刺激而起伏很大的電影，這套電影應該不適合你看。如果你想看一套令心靈舒服而有人情味的電影，這套絕對適合你。不同的食物包含每一個不同的故事和人生經歷，整個食店的環境令人與人的關係更加密切，更加有人情味。故事雖然是比較平淡普通，但將其與食物連接上確實是另一番風味。作為都市人，這套電影絕對能令你暫時放下緊張去感受人情冷暖！平淡就是美。,positive 606 | "好的電影就像一顆洋蔥，讓觀眾撕開一層又一層，每一層都可以找到新的意思，電影《深夜食堂》就是這樣的一部好電影。 607 | 608 | 《深夜食堂》本身就是一本非常受歡迎日本漫畫，全球賣出逾400萬冊，後來被改編成電視劇，亦廣受好評，而今次電影版中的主要角色，亦是由電視劇演員擔任，筆者起初也擔心，這會否變成了電視劇的精華版用來呃觀眾錢？我看完之後，大家可以放心，電影版拍得比電視劇更出色及更有深度。 609 | 610 | 故事講述東京市某角落裡有這樣的一間食堂，每一日只由午夜12時至早上7時經營，故大家稱之為深夜食堂，店裡餐牌只有一味豬肉套餐，但若果想食其他的，食堂老闆都會盡量煮出來滿足客人，這樣奇怪的餐廳有沒有人光顧？老闆形容："" 其實，客人還挺多的⋯ "" 611 | 612 | 過往由於漫畫版及電視版的內容較長，故不少篇幅會放在餸菜煮法或客人背景故事上，但電影版剛相反，回歸基本步，將故事焦點放回在食堂老闆小林薰身上，讓大家重新認識，深夜食堂背後真正代表的存在意義和價值，因為它表面是一間小餐館，但導演想表達出，它其實是一所心理輔導中心，而食店老闆就是輔導員，透過食物打開食客心裡面的鬱結，變相進行心理治療，結果無論是食客或老闆，均在過程中，心靈找到了安慰和救贖，故在電影版故事中，刻意避開以往原著中那批品流背景複雜的客人角色，以減少誇張攪笑的味道，新加入的客人角色，都是一般白領、工人、剩女甚至是福島的災民，以令更多觀眾找到共鳴，亦反映出城市人寂寞及孤獨的心靈，打工仔忙了一整天，結果唯一可以尋找到慰籍的地方，並非自己的家，而是在一所無名的小店裡面，其實對很多人來講，社區小店就是心靈的避難所，見到熟悉的街坊和事物，感受一下那份人情味，好讓疲倦的心靈可以有喘息空間，這正正是大型連鎖店不能取代和提供，亦非以租金回報率可計算的價值... 613 | 614 | 導演松崗錠司(前作《東京鐵塔》)在處理電影版方面，使出了真工夫，令到此片可以在有別於電視版之餘，同時展現新的故事深度和魅力，特別是導演準確掌握到電影版的特性，刪走了電視版中冗長旁白和gag位，在靜態的畫面上，配以精簡的對白，將食店老闆小林薰那份沉默內斂及睿智的中年男人氣質，提升到了一個新的層次，同時畫面亦提供足夠時間長度，讓觀眾投入食店老闆的角度，去觀看週邊的人與事。我強烈推薦大家去欣賞《深夜食堂》，相信即使你未看過該漫畫或電視劇，都不會阻礙你欣賞此電影的樂趣。 615 | 《完》",positive 616 | "片中場景以傳統日本民居小巷為主，令人感染到家鄕(日本)文化和親切街道的魅力。片中很少出現名勝和繁榮的街道，卻以平民的故事生活背景為主缐。 617 | 618 | 小飯堂煮野食片段不少，令人非常懷念家鄉的菜式，雖然用的食材是很普通，但煮的人很花心思，不但看到客人受尊重，也感受到他們很尊重自己的工作，不管是做個小小的傳菜。 619 | 620 | 故事雖然平淡，沒有悶場，有笑位。本人沒有看過小說，但覺得故事情段遍排得很好，故事結尾也處理得很好。雖然飯堂客人來自四方八面，沒有阻隔人與人之間的感情。",positive 621 | "這片小弟已率先在3月中在由日本福岡返港的港龍客機上看了。所以，心裡很奇待這片可以在香港上畫！終於這個願望已經達成！ 622 | 623 | 主角小林薰飾演的深夜食堂老闆，表現出對食客的關懷。每一個食客都有各自的背後故事，多得有他的聆聽，他們的心結才逐一化解。整片流露出深厚的人道主義和關愛精神，是本年度個人極力推介的日本電影。",positive 624 | 如題，每個角色都很突出，尤其喜愛山芋飯的故事。,positive 625 | 唔係下下大堆頭特技先好睇，呢d淡淡然既戲睇得人好舒服,positive 626 | 吵吵鬧鬧八八卦卦，卻是互相關心！讓人十分溫暖～平凡的小店，洋溢著濃郁的人情味。角色的造型亦讓人驚喜，和漫畫裏的人十分相似！雖然片長2小時，但感覺再多看2小時也是意猶未盡，期待故事延續下去～,positive 627 | "以下是我對這套戲的評語：我覺得套戲是比預期中好和感人，導演的處理到位。他可以描寫出漫畫的神韻，講真我喜歡這種格調的日本電影，這種富有人情味的格調直直是日本電影獨有。這種格調的確要觀眾慢慢品嘗才可以感受到，我覺得這套戲是可以讓觀眾賞味到這種感覺。至於故事方面，我覺得導演想透過這間食堂來作引子來道出食物如何令讓人觸動情感和不同的人在這間小小的食堂中互相了解和分擔自己的情感，這一點上我覺得導演的處理是到位。在當中有笑的，也有對自己找到解開心中難題的出路。 628 | 629 | PS:我覺得近兩三年的關於食物的電影的質素比以前有很大的進步，他們進步之處我覺得是他們懂得在這類故事中說出比以前更豐富的情感和內容。除了這套外我還有幾套值得向你們推薦。當中包括印度的美味情書、美國的滋味旅程、米芝蓮摘星奇緣、英國的智取威士忌等、日本的舌尖上的武士道等",positive 630 | 個人好鍾意。沒有刻意煽情，但每每觸動人心。,positive 631 | 可以一看😊😊😊😊,positive 632 | "深夜食堂(Midnight Diner) 633 | 29/05/2015 634 | 很喜歡看着片中老闆 (Master)用熟練的手勢，把已經預備的食材，逐樣放進煑食器具内，在大銀幕上立體地呈現了食物的色香味 ， 令人垂涎三尺 。影片就是透通“深夜食堂” 提供的美味食物，來貫穿不同的故事 。全片以温馨的小品式節奏為基調，讓大家如置身食堂 ，聽聽劇中人如何道出看似瑣碎，卻又窩心的身邊事。 635 | 電影版來自電視版，以三種食物把影片分為三段。 636 | 開首是拜金二奶的故事 。 此段簡單直接，祇向錢看的二奶失靠山後變得潦倒，繼而搭上模型宅男 ，但經濟改善後又表現另一面孔。這一段並非不好看， 但整體來說尚未能擺脱電視劇的味道，仍透着一種泥氣和娘娘腔，但美味的拿破崙意粉肯定為此段取回不少分數！ 637 | 第二段以山芋飯作線，帶出出走東京少女阿滿如何與老闆結緣，這應是全片最好看的一段。老闆不為人知的内心世界，對陌生人的關懷， 令他的形象更正面和深入觀眾的心。反而她男友出現和小田切仗義幫助的設計就顯得有點牽強。 638 | 第三段是咖喱飯。兩個傷心人因當上義工結緣，但卻各有所想。片中對他們的關係雖有不少着墨處 ，但導演松岡錠司似乎未 能準確掌握適合的節奏 ，全段令人有拖沓及婆媽的感覺。 639 | 尤幸影片有出色的副線，在食堂內經常出現的食客，如黑社會人物，三姊妹，酒吧女，易服男等等。他們你一咀我一舌地談話，對食堂發生的人和事作出反應和批判 ，反而製造不少驚喜。 640 | 全片以老闆的拿手小菜開始 ，一個 “骨灰罌”串連，再以阿滿的 “關西煮”作結，再一次證明食物帶出的愛和情， 真的令人無可拒抗。",positive 641 | 從幾個小故事裏再次感覺到人情味...おいしいです！,positive 642 | "電影拍出那種淡然窩心的感覺 643 | 是沒有高潮迭起，卻令人很投入 644 | 平時看開商業片的可能會覺得淡左啲 645 | 但深夜食堂本身的賣點就是那份淡，那份無聲的情 646 | 推薦 647 | 溫馨提示：夜晚睇好feel d，切忌空肚入場睇",positive 648 | 有看電視编的容易接受因確實平淡及最後的故事是有點慢悶的 但我還是喜歡 見著各人的不同性格 但那種人情味令人想起小時候的情懷感動著心靈,positive 649 | "一直也很喜歡日本那種富有內涵和詩意的慢節奏，此劇配以一兩首日本風情的老歌，以人情味和一道道小菜，訴說著在日本小巷子裡發生的小故事，裡面沒有什麼大道理，卻會感受到人與人之間的溫暖。 650 | 651 | 看電影的時候看著深夜食堂做的小吃，八爪魚香腸，蛋卷，鐵板意大利麵.....不禁會覺得有點肚子餓呢xddd",positive 652 | 很溫馨，當中有些情節會有點好笑,positive 653 | 道盡日本都市人情意結：包括現今男歡女愛，人間有情，311大地震後幸存者的傷痛等。電影版鋪排較電視版細膩，多街景及食店老闆戲份重，《深》迷必定喜歡，直教人窩心的作品！,positive 654 | love this movie,positive 655 | 好有人情味.好感觸.簡簡單單.由電視番組到睇電影版.個個單元都好有意思,positive 656 | 一間簡單小店，一班熟客，一個用心煮嘅老板，帶出小人物小故事。拍出人情味，睇完好想食宵夜😁 多啲依類電影咪好囉，唔使成日睇特技嘅😎,positive 657 | 唔使講嘢，唔睇無話題。本周之選,positive 658 | "期待咗好耐啦～所以買早場～ 659 | 十分建議大家夜晚去睇！完場去一趟居酒屋～",positive 660 | 全片跟漫畫一様，有濃厚人情味，渗住淡淡的感動。特別喜歡小田切讓同女待應的小插曲，愛情中的小曖昧是最浪漫的。,positive 661 | 幾個故事都令到我有所反思，演員固然出色，編劇更拉近觀眾和電影的距離! 呢部真係一定要睇!,positive 662 | 劇情來說，不是什麼驚天巨作，但作為娛樂產品可看看笑一餐也不錯，我在幾場優先場觀察過有大概三十個笑位左右，一班演員也算是瞓身希望讓大家快樂的。是近年少見的荒誕喜劇！想放鬆的也是一個選擇！,positive 663 | 劇內感情線豐富，但最大的賣點還是一個個出位搞笑的角色。,positive 664 | 小甜甜好好笑，演得好放。大貓個角色好岩佢做。佢真係瘦左唔少,positive 665 | 見到有陸永做已經知今次應該幾搞笑，果然冇失望，香港又多個喜劇明日之星,positive 666 | 夜蒲系列為主題算比較偏，要同其他電影比較，實在唔公平。同對上三輯同系列比較，進步非常顯著，故意加入喜劇搞笑元素，識用陸永做男主角呢點要讚，已小甜甜、自由發揮、白雲、陶嫚曼等一眾非主角既錦上添花，令成套電影由糜爛夜生活，變成一套有血有肉既喜劇,positive 667 | 上星期睇過，個人認為前三輯都唔算好差，不過係戲路唔同。今次玩台北用上唔少台星比之前更吸引，自由發揮同小甜甜都係成套戲既靈魂人物，冇佢地成套戲會悶好多。輕鬆搞笑之作。,positive 668 | 比老一輩既內心感情戲搞喊左幾次。另外畫面好靚，電影節奏輕快。,positive 669 | Fighting!!!!!!,positive 670 | 有幾幕真系好感動，喊左出黎兩次。,positive 671 | 和朋友一起去看 朋友感動得流淚了 真的挺好看,positive 672 | "如果女主角真係死左，要怪責既一定係佢老公，我肯定係佢迫死女主角既！ 673 | 674 | 如果女主角好似「big eyes」咁，係單親要湊仔女，再加供樓既压力，咁樣會有說服力d,依家只係失業，仲有救濟金拎，仲可以有轉住公屋既選擇，但個老公只係因為做唔到能屈能伸，要係咁迫老婆出去wer爛塊面，冒住佢情緒病返發既危險去力挽狂瀾，對住d咁既老公，一面話愛你，一面就迫死你，好明顯咁先係情緒病既主因！ 675 | 676 | 女人，無論有冇好老闆，首先係要帶眼識人，揾個好老公先！ 677 | 678 | 不過講到尾，個結局我係收貨！好有激勵性！",positive 679 | 館唔到咁好睇 好寫寶 好自然 鏡頭好美,positive 680 | "以下是我對這套戲的評語：我覺得套戲是不俗，導演的處理不俗和寫實，他可以道出歐洲工人的生活，我覺得導演想透過這個故事來討論我們在理性和感性的取捨，在這個故事中有人生活困難來選舉花紅，但有人出於同情女主角來選擇讓女主角復工。這樣可以道出不同人對於問題是由理性方式看或者由感性的方式來作決定和取捨。雖然他們的選擇無對和錯之分，但可以睇得出他們的思考的方向，我覺得導演在這方面的處理是不俗 。 681 | 682 | 至於演員方面，女主角瑪莉安歌迪娜的演技我覺得是不俗，她可以演繹出角色的神態，我覺得她演得好的地方是她拿捏出抑鬱病病人的不安情緒（其中我最喜歡第一場戲的演出最為出色），由她的演技來看我我覺得她應該是值得可提名奧斯卡女主角的。",positive 683 | "在電影中心看了入圍康城影展的公投飯票,背景是比利時法語區的Seraing. 684 | 劇情描繪女主角Fabrizio Sandra患有抑鬱症,更遇上公司生意不景的redundancy,公司要裁減Sandra,或者是十六位員工不獲發一千Euro花紅兩者擇其一。 685 | 丈夫Olivier極力帮助老婆要求公司下星期一的第二次投票,週末二日一夜與不甘成為冗員的Sandra走訪每一位員工同事尋求他們的協助。 686 | 在戲裏見到其實每個員工都希望獲得花紅,有手緊的,也有家庭實際需要的。雖說人情冷暖世態炎涼,然而有一半人也甘心情願去帮Sandra復職,甚至捨棄丈夫的逼迫選擇離婚去支持,這種發自真心的友情,令到不斷服抗抑鬱药及曾Overdose去自殺的Sandra,激勵她的求生意志。""家家有本難念的經"",另一半投反對票的看得出有幾個實在也是有心無力。 687 | 電影概念很新,難得選着Sandra這個滿臉抑鬱病容的女角,增加了不少逼真。",positive 688 | 套戲本身不過不失喇但可以短D，有D廣告都真係好煩，但配樂真係無得輸，Slam Dunk同王菲值五粒星。同埋無賴版彭于晏真係好可愛XDDDD,positive 689 | "以下是我對這套戲的評語： 我覺得套戲是處理得出色、瘋狂和爆笑，導演處理得出色，他可以喜劇故事來道出現況的不公、荒誕（尤其是說出在南美洲政府貪污和無理的真實情況），在這點上導演的處理是不錯，還有他在劇情出的轉折的技巧也是一流（尤其是第六個故事上這場婚宴的處理真是一流，我只可以說這段戲的劇情的轉折可以說你們意想不到的，當然第三個和第四故事的處理也是出色） 至於演員方面，我個人比較喜歡第六個故事中所有演員，他們的演技是一流，無論是夫妻、雙方的家人以至那位廚師的演技真是一流，他們的演技的確是讓人好像看舞台劇般精彩。 690 | 691 | PS:我覺得今次的中文片名的確是改得很配合的，的確上整套劇的感覺真的和這個片名很配的。",positive 692 | "劇情荒誕，編排用心，沒有最癲，只有更癲，幾個短篇，交織出一個瘋狂的世界，很久沒有看過一部令人咁過癮的戲，強烈推介。 693 | 694 | 導演用瘋狂的情節，折射瘋狂的世界及制度，難得是放在香港，亦能產生共鳴。高手。",positive 695 | 結婚嗰一場實在好睇，急不及待要構思一個香港版喪心病狂故事呢,positive 696 | "好在bc未落畫 697 | 讓我差d錯過呢套好片 698 | 套戲中，個個角色都好顛 699 | 為左報仇，咩都做得出 700 | 就算被人扒頭 701 | 都要在他車上大小二來報復 702 | 一開始的飛機失事 703 | 講完要怪就怪父母 704 | 轉個頭飛機就撞向兩個老人家 705 | 已叫我捧腹大笑 706 | 除左頂包案的故事較失色外 707 | 其他也不錯 708 | 最後的結婚故事更是神來之筆 709 | 最後，還是學新郎用愛來化解仇恨吧",positive 710 | This film very special. If u have time u should go to see,positive 711 | "無睇過影評隨便挑選的一齣戲，本來以為係長篇故事，點知係幾個唔同嘅故仔！ 712 | 好好笑，夠瘋狂！ 713 | 每個故事都有唔同引發點，都大快人心！",positive 714 | 可以平衡兩方，讓人輕鬆的看同時，亦鋒利的準確諷刺社會荒謬，最後以愛作最終結尾，令人會心微笑，神來之筆。,positive 715 | "有睇過「親愛的」再睇呢套 716 | 其實香港上多啲呢啲咁有意義既電影仲好，好過好多膚淺到無得再膚淺既戲。 717 | 真係會睇到個心銀住銀住， 718 | 有時睇戲唔係淨係講求娛樂性既，用個心去感受，會感受到更多。",positive 719 | 其實故事冇咩起伏，但平淡中又好吸引人，好感人。,positive 720 | Good story . Good movie,positive 721 | "演員演技極級非凡 722 | 場面氣氛令人透不過氣 723 | 從電影中感受到人格心寒 724 | 繼Gone Girl後又一星級佳作 725 | 很欣賞導演採用那赤裸影射的方法 726 | 去諷刺表面五光十色的娛樂圈。",positive 727 | "So pervert that you simply have to watch this movie!! If you like Julianne, even so. Don't miss this in the theatre. But it won't be a bad thing to wait for its DVD so that you could fully enjoy it in the comfort of your own home. However, if you have kids around, it is too sickening to be left lying around...",positive 728 | 氣氛營造一流，觀眾的精神狀態隨著戲中角色逐步推向崩潰邊緣。對巨星「墮落」的描述超強卻欠奉主題，猶如「巨星金玉其外實錄」。把「墮落」表現成巨星們「走出陰影」、「重獲自由」唯一方法教人無語,positive 729 | "以下是我對這套戲的評語：我覺得套戲是不俗，導演的處理不俗，他可以這個故事來道出在荷里活星光背後的黑暗，我一直覺得導演的確是在描寫這類黑暗題材的大師，他今次的處理是可以保持了他的水平，他今次主要是說心魔這個主調，在這方面導演的處理不錯，他可以做得出這種人活在自己心魔和別人的影子下的痛苦。 730 | 731 | 至於演員方面，茱莉亞摩亞的演技我覺得是比永遠的愛麗詩出色，出色的原因我覺得她今次的演出是比永有更多的發揮和有爆炸性，但她的處理是處理得好，我覺得她可以做到一種有小許精神錯亂的情感，這樣是比永更有層次分明的。當然其他演員的演出我都滿意。",positive 732 | "狼圖騰(Wolf Totem) 733 | 15/05/2015 734 | 人以萬物之靈的優越性自居，任意踐踏剝削其他界别，最終是否會自食其果？這是“狼圖騰”作者羌戎的寫作原意。這本極受歡迎的長篇小說，在法國導演尚積葵亞諾的演譯下，又成為怎樣的故事？ 735 | 影片除了有震撼人心的攝影和取景外，亦籍此說明草原狼能成為内蒙古人尊崇和敬重的原因。狼的堅毅，冷静 ，機智和合羣精神，令牠們能在草原世世代代延續下去。再加上内蒙古那種“天蒼蒼， 地茫茫”的大自然壮麗景色，塑造了令人透不過氣來的懾人氣勢 。許多大場面的設計尤其出色，如狼羣圍攻軍用馬的萬馬奔騰場面；狼入村偷獵黄羊 ，再把屍體叠高方便逃走等等 ，對攝製隊來說， 都是極嚴峻考驗 ，最後展現在銀幕上的，是一個又一個氣勢磅薄的高難度場面。 736 | 相對於壯麗的景色，人類的行為卻令人齒冷。掠奪狼的黄羊獵物；把小狼狠狠殺死；用傳統農耕介入大自然， 不停縮小狼的活動範圍，最後更有滅狼行動。種種做法，都令人類與草原狼間，陷入對立而無轉機的局面。儘管小說的描述遠比電影細腻， 但在某程度上，導演對此亦能掌握，並純熟地利用鏡頭向觀衆交待。",positive 737 | "古代人奉野獸為神名，是因為他們深深了解生態平衡的重要性。文明人類的自而為是，讓自己泥足深陷而不自知。然而，有危必有機，自作聰明的人類總會有人醒覺，反思和自然共存的不變道理。 738 | 這是一套很有教育意義的電影。",positive 739 | 很好看,positive 740 | 成場D人忍唔著笑左出黎,positive 741 | 輕輕鬆鬆，不坊一看，不要大期望,positive 742 | 音樂超好聽，電影超好笑！值得看兩次以上,positive 743 | "There were many funny memorable scenes, yet also motivating for us to never give up. Enjoyed watching it 😊👍🏻. Love the music!",positive 744 | "不放過任何一個細節 745 | 結尾意想不到",positive 746 | "情節幾緊湊，成件事好複雜但好吸引，案中有案咁，吸引到我一路睇一路諗邊個係兇手，最後結局估佢唔到 747 | 不過無睇過2003年原版所以比較唔到",positive 748 | 有教育意義，亦拍得好好,positive 749 | 雖然有評論說拍得差，但本人覺得幾好睇，劇情緊湊，情節意想不到，唔到最後一分鐘都估佢唔到，我會推薦俾朋友！,positive 750 | "香港的三級片有自己的低俗本色，但可憐系冇認真將低俗材料處理好，吳君如四套鷄鴨片每況愈下，還將低俗及不認真及反智帶去金像獎頒奬禮。 751 | 此片講述每對男女都有血有淚、有情有義，除了那對魔警，不道德還來講正義執法，很切合香港情況。街頭示威趕走韓國人更加像反水貨反自由行。 752 | 那對韓國賣肉男女、古惑仔加出走少女、海嘨後難以維生的兄妹、被公司壓逼到變態召妓男、有情有義的亡命中年，都有不同程度的令人感觴。 753 | 所謂劇情需要的暴露，這片真是示範之作，特别系韓國男女在浴缸中一場戲，及靚妹出浴洗去一星期的惡臭。 754 | 豐富的人物、巧妙的配合，全不覺悶。",positive 755 | "歌舞伎町24小時時鐘酒店(Kabukicho Love Hotel) 756 | 15/05/2015 757 | ～24小時内發生的事 /24小時內的喜怒哀樂 /24小時内的人生百態～ 758 | 導演廣木隆一以誇張，諷刺的手法， 描述了歌舞伎町一間時鐘酒店一天内發生的事 。帶着平常心進場， 卻發現影片是出乎意料地好看 。 759 | 影片有獨立的故事設計，但導演利用觀察者巧妙地把它們串連起來。第一個觀察者是“徹”~Toru。看他一整天没精打采地在酒店穿穿插插， 遇到的事每每令他難堪不已～妹妹做AV 女角， 女友與男音樂人開房，變態顧客比比皆是，便已充滿戲味和娛樂性 ，亦導出不同人的生存和上位方法，看罷只能唏嘘慨嘆 。 760 | 另一個觀察者韓妓 Haena~ 夏娜 。她的迎送生涯反映了曰本社會畸型狀况。日本人看似保守，但色情事業卻非常蓬勃，對性買賣的開放態度更成為許多男人減壓的方法。由夏娜一天的遭遇， 反映了許多日本男性的專横大男人性格，也道出了女性仍處於單方面服從的弱勢。 761 | 其他如古惑男與出走少女的戀情， 亡命鴛鴦等都是有趣的安排，以這類獨立製作的 “粉紅電影”來說，本片應是水準之作。",positive 762 | 同一般日本片一樣，有些情節過長。除此以外，故事及演技都很好。猶其寫實地反映一些日本現代問題。不錯！,positive 763 | 劇情豐富，有d笑位，完全唔悶。,positive 764 | "以下是我對這套戲的評語：我覺得套戲是同預期中好，導演的處理能力高，他想透過這個故事道出現實世界的殘酷和無情，我一向覺得導演對張力的處理是不俗（我個人喜歡他首套作品孖展風雲） 他今次的處理的確可以保持了他的水平。他處理雖然是黑暗但張力十足，可以讓觀眾投入到一個現實商業世界的真相。還有今次他的配樂運用和整個的場景的設定都處理得不俗。 765 | 766 | 至於演員方面，男主角奧斯卡依撤的演技是不錯，他在處理角色的張力和演技發揮都處理不俗，當然女主角謝茜嘉謝茜婷的突破性演技都可以令人難忘的。",positive 767 | 後半段都可以 人生不應同流合污 要活出真我,positive 768 | 從未看過一套電影只講怎樣辛苦經營生意，所以不會估到結局。對白多蘿蘿，但絕不沈悶。在艱難荒誕的年代，仍可用合法、靠堅持信念去掙扎向上爬。,positive 769 | 👍👍👍👍👍,positive 770 | 我本身冇睇過原著，不過睇呢套戲都覺得唔錯，殺戮情節唔差，啲不倒翁、招財貓果啲角色都好可愛，睇完令我有衝動想睇番原著!,positive 771 | "今天終於去看了，劇情很刺激，完全沒有悶場，反而有幾恐怖吓！ 772 | 不過，唯一唔好嘅地方，就係唔明結局想講咩。。。 773 | 不過真係好好睇！超推薦喜歡睇死亡遊戲類電影的人！！",positive 774 | "請不要like或dislike一星仔和打手 775 | 776 | 入戲院之前，只想著這是吉卜力工作室最後的作品，三個年過70的老人終須退休，雖然不捨，還得接受，這次捧場算是表達謝意，但不想宮崎駿的高足米林宏昌，表現出色，翻查資料，他才42歲，所以離場時非常高興，知道後繼有人，不愁吉卜力之後，日本這類細緻而老少咸宜的動畫會斷絕！ 777 | 米林宏昌繼「借東西的小矮人：阿莉亞蒂」後，再一次改編外國小說，譜出浪漫的情懷，又滲出淡淡的哀愁，很動人，很動人。 778 | 親人之間就是有一種牽絆，即使分開了多久，分開時多麼幼少，但那濃厚的深情仍隱藏在潛意識中，只要觸景便會生情，物件出現得時機恰好、地點吻合，記憶便很玄妙地從腦海破殻而出，再溫暖冷下來的心，只要再深深感受到那來自久遠年代、飄渺空間、隱隱傳來的微弱得似有若無的愛，來自至親的愛，便不禁流下溶化冰心的眼淚，重新實實在在地留意身邊還有美好的一切一切，得跪下感激自己能來到世上，然後奮勇地一躍而起，張開雙手奔向明天，撲向未知的懷抱，樂觀地展開人生的歷險。",positive 779 | 吉卜力工作室的作品總會令人期待。這部亦不例外，是一如既往的淡，但這種淡是滲透著一絲絲溫暖的。,positive 780 | "畫面好美，故事雖不及吉卜力以往的作品，但也相當令人感動，算是一部佳作。 781 | 米林對動畫畫面和細節方面較宮崎吾郎處理更佳，值得一看。 782 | 提醒大家，這部作品不是宮崎駿的。",positive 783 | 完美細膩的演譯，與觀眾產生心靈上的共鳴,positive 784 | "Good, I like",positive 785 | "10/04/2015 786 | 生命沒有take 2; 787 | 愛情能否rewrite? 788 | 重寫的愛情是否更精彩？…… 789 | 在“愛情二次創作”中，提出了許多有關情的問題。主打的愛情情節故然拍得好看；作為綠葉的友情，親情……穿插在主線間，也能凝造很大的戲劇效果，两者互為襯托。 790 | 喜愛Rewrite 那種輕描淡寫的語調，更愛那種輕鬆而帶點諷刺的處理手法，令種種問題變得不再沉重，反而為平靜沉悶的生活帶來絲絲漣漪 。當然最重要的還是男主角 Hugh Grant 。帶着濃厚的英國才子形象 ，扮演一位失意编劇最後變成大學教授，雖然有點落泊，卻另有一番味道。 791 | 由94年的Four weddings & a funeral (四個婚禮一個葬礼)到 99年的Nothing hill(摘星奇缘)，Hugh 屢出佳作，而那個既風趣幽默，又才情洋溢的形象亦日漸深入觀眾的心。在Rewrite 裏圍繞着 Hugh 發生的事：與女學生搭上，與有地位的女教授口角 ， 種種上堂的蝦碌事情…… 他都能演得揮酒自如，令觀象如沐春風。 792 | 主線明確清晰，其他細節亦用悉心配合，再加上幽默的對白，本片應是近期上映電影的首三名選擇。",positive 793 | "同""K歌有情人""相似的是講過了氣的人, 找到另外的東西. 但這次較為有內容, 有很多地方竟然講創作的理論. 唔係浄攪笑同講愛情. 套戲長咗DD, 有少少悶位. 除此之外, 實在是套好戲. 想睇靚仔Hugh Grant就會好失望, 你會睇到一個滄桑成熟的男人. 最後結尾個scene好好...",positive 794 | 真心好好笑...個個學生都好突出,positive 795 | "本身無期望 但原來好抵死攪笑 796 | 令我想回到大學生活",positive 797 | "Relax + 幽默 ，心情不對或""天份""不夠係會覺悶，因為get 唔到（like my wife), 幸好我有缘（like the students)，feel good!",positive 798 | 劇本勝過同期港片。劇情鋪排得好，層層推進。沉重懸疑夠講故仔，毋須過多的色情血腥或暴力，比例恰到好處。一開始有些少慢，但後期好快入到戲肉。辯駁位不多，選角也不錯，沒有出名演員的浮誇戲反而可以叫人更專心投入故事。惟獨畫面上字體的應用可更好，和有些交待位可簡化。此片有以前港產cult片的影子。支持本地製作。,positive 799 | "套戲的歌好好聽 800 | 尤其lost star 同 the step you cant take 801 | 套戲簡單但動人 802 | 可比美前作once 803 | 雖然我鐘意once多d 804 | 但呢套也非常好睇 805 | 用音樂交代感情 806 | 尤其最後，用返maroon5 主音唱lost star 807 | 讓大家估返感情變化同女主角離開既原因 808 | 值得一讚",positive 809 | "套戲既感情曖昧恰到好處 810 | D歌真係好好聽 811 | 原來主角們成立左隊組合叫swell season 812 | 而男主角glen 同女主角marketa 都有出cd 813 | 大家可以找來聽",positive 814 | good!!!!!!!!,positive 815 | "Good plot and bring in new character, actions are good and exciting. 816 | 817 | But again TO BE CONTINUED....",positive 818 | 雖然中間有少少文戲，但自己一個人去睇，可以好專心咁去睇曬，打鬥場面正，期待3,positive 819 | 有意料之外的結局，今次張學友演得唔錯，呃晒所有人。,positive 820 | 無影評講得咁差，好精彩👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻👍🏻,positive 821 | "劇情轉折，係中間有少少拖。 822 | 鏡頭非常啱胃口，但尖沙嘴鐘樓都仲差少少。 823 | 結尾唔清唔楚，知道想為續集鋪路，但不妨講多少少。 824 | 演員方面陣容鼎盛，張學友真心正，三地既演員戲份算係平均。 825 | 整體算係近來一套值得睇既懸疑片。",positive 826 | "戰火情天(Water Diviner) 827 | 17/4/2015 828 | 看罷Water Diviner, 我感覺有點混淆 。究竟這是一部戰爭片？還是愛情片？還是親情片？還是 Russell Crowe想拍一部以戰争為背景，爱情親情為實，把有吸引力的情節全都放在一起的作品？ 829 | 本片實在涵括很多不同層面的情節。 以Battle of Gallipoli (加里波利戰役)為背景，澳洲占水師Connor到土耳其要尋回三子骸骨的經歷 ， 再加進他與小酒店東主遺孀Ayshe的一段情，又設計他與土耳其軍官Major Husan 相惺相識的交往。每一部份都佔極大份量，由此反映出初次執導的Russell 的野心，同時也暴露了他對材料取捨的缺乏經驗，因為多並不等同於好！ 830 | 毫無疑問,Russell 是一位很勤力和用心的導演。由場口的安排，镜頭的運用，角色的設計皆可見细密心思！但對於一些頗重要的细節 ， Russell 卻未能给予合情合理的解釋。 831 | ～如果尋三子是本片的主線，那麽 Russell 给予Connor 與兒子的感情線铺排明顯有點不足。不過沙麈暴救子一幕仍然可取。 832 | ～實在想不通在1919年的土耳其，為何小男孩Orhan 和他的媽媽Ayshe可以說得一口流利英語。影片極有需要解釋這一点。 833 | ～雖然説是真人真事，並由同名小說 “Water Diviner""改编，但那個小道具可以占水的位置，又能占兒子骸骨所在。 若要增加其可信性， Russell 是否要加多一點情節上的交待？ 834 | 由演員到導演的路殊不容易，Russell 自有其潛質。雖然Water Diviner 有其瑕疵 ，但絶對是一部值得入場觀賞的電影，特别是男女主角的感情線，鋪排得極為细緻，體現導演有着温柔的心。",positive 835 | "呢套戲雖然唔係啲咩高成本大製作,但套戲所帶出既感受並唔係高成本同大製作就可以表達倒,主角經歷左種種既傷痛,到異國既經歷,到後來既失而復得,兄弟情等等,導演將主角既心路歷程表情得真緻細膩,而且主角既種種經歷,都帶出左戰爭既無情,殘酷.可能有其他觀眾認為呢套電影比較沉悶,但如果細心品味一下呢套電影,你就會發現其實係一套令人感受好深既戲.最後,我覺得呢套戲既名搞到我差啲錯過左一套好既電影,希望大家唔好俾套戲既戲名影響左",positive 836 | Not bad! Story ok !,positive 837 | "身心瞭解土耳其文化 838 | 戰火帶來的負面",positive 839 | "拍得好好 840 | 唔該d唔識英文或者文盲睇唔明個d人唔好亂寫review。 841 | 應該乖乖留返d錢去學好d英文先。",positive 842 | 故事唔錯，成部戲都算好睇。正喎,positive 843 | 特技唔錯，故事搞笑同感動做得好好，公仔都算得意,positive 844 | "呢套戲幾多明星客串 845 | 湯唯姚晨鍾漢良果d 846 | 幾鍾意白百合 847 | 生仔個位好搞笑 848 | 不過套戲除左搞笑都幾感動，人同妖之間既情真係搞到幾度眼濕濕，唸起d人遺棄bb或者寵物，好心up，值得反思。 849 | btw 我覺得wuba好得意",positive 850 | 第一套執導算係唔錯。 睇完感覺正面，係輕鬆小品，香港人太多愁緒同壓力，想睇 d輕鬆戲唔駛點用腦 relax下笑下既話都 ok,positive 851 | 套戲幾好睇，有好多笑點，完全冇悶場，值得一睇！井柏然演技吾錯😎😍,positive 852 | "本來以為有悶埸，但之後有沒有呀 853 | 尤其是小羅白😍😍",positive 854 | 佑唔到都唔錯喎，故事幾得意，幾搞笑。睇得開心,positive 855 | 完全懷舊風味， 回歸最簡單純粹，緩慢調子， 平和心思，我認為它有它存在的價值，我們還會懂得欣賞嗎？ 會珍惜嗎？我喜歡簡單！ 難得它還有幽默感 ！我喜歡 ！！,positive 856 | 小朋友一定要睇，大人都可反思一下！,positive 857 | 姆明谷的簡單和平生活可能是世人最終追求既生活方式！姆明迷不可錯過啊！,positive 858 | 故事簡短但係有趣，出奇地有唔少搞笑位，令人明白始終自己屋企最舒服，唔需要刻意改變自己嘅生活方式去過其他人嘅生活。,positive 859 | 呢部電影感覺有少少ROAD MOVIE既味道，片中幾多笑點，大部份笑點多數來自波波星人ｏ仔對於地球既事物知識同文化上既無知，對大人黎講後尾ｄ位會比較好笑ｄ，而ｏ仔咁得意，小朋友當然就睇得開心啦。,positive 860 | "第一次入戲院睇卡通,not bad,不錯!",positive 861 | 感動 好睇 d人物超得意,positive 862 | "情節五錯，有令人緊張既位(被砸住個下) 863 | 佢地第一次扎“飛天車”既背景音樂好好聽♥ 864 | 中有其他插曲都好輕鬆好聽♬ 865 | 希望之後有入面既歌聽",positive 866 | "啲歌好好聽 867 | 輕輕鬆鬆好有趣",positive 868 | 要符號一套動畫既元素都齊灑但故事內容可以再多d笑位:),positive 869 | 故事簡單但好笑快樂，可以輕鬆愉快咁度過呢1個半小時，亦令我都好想有呢位外星人做朋友，佢真係好可愛!,positive 870 | 我看了這麼多的卡通片最好看是這個別,positive 871 | 看過最好看的動作片，沒有之一。,positive 872 | 人物造型，飛車、爆炸、追逐場面夠晒癲，雖然全程動作場面，但不覺得過火，絕對驚喜之作。,positive 873 | This movie blew my mind I personally thought the best cinema experience I've had since I saw Star Wars in 1977! Go and see on the big screen while you still have a chance!,positive 874 | "劇情同角色背景唔繁複,世界設計認真， 成功令人擔心同在意角色既遭遇，主角唔係獨大，其他角色反而更搶鏡，",positive 875 | "由頭爆到尾,冇悶場.美街造型一流，唔响戲院睇你損失！",positive 876 | 效果很好而且是少有題材,positive 877 | 唔睇開動作片都會鐘意,positive 878 | "唔同一般特務片,唔係用靚靚女女身型勁FIT既女演員,而係用左大大份,身型好有福氣既 Melissa McCarthy, 亦因為咁所以出戲有好多笑料,笑足全場~所以出戲話比我地知內在美係幾重要!",positive 879 | "肥女主角好正,個個look都好好笑",positive 880 | "A lovely break from male-centric spy movies. Melissa McCarthy does an excellent job through the sassy scenes, action scenes and everywhere inbetween, while Natalie Portman does well as the antagonist of the film. While the movie does play on some unfortunate stereotypes (spoilt rich brat who only cares about her hair etc), it seems to be only for the purpose of comedy and is therefore forgiven.",positive 881 | 女主角肥得好可愛，劇情都幾搞笑！,positive 882 | 張海報設計吸引唔到視線 睇海報真心以為會好悶 點知笑到傻 各種巧合付碌被女主角完成左件大事 咁岩坐隔離 應該係外國大嘅兩位男士笑到癲左 有啲位native speaker容易get到同有共鳴 睇字幕無咁好笑 仲未睇嘅人不妨趁假期睇下 放鬆一下！,positive 883 | "由頭笑到落尾 884 | 一開場Jude Law就打黑痴開咗槍😂😂😂 885 | 推介👍👍👍",positive 886 | "6月頭番到香港睇左加州大地震同侏羅紀世界之後好似無咩電影好睇咁，就係hk movie係咁睇trailer，結果畀spy trailer令我笑左出黎，所以係仲剩番一兩場嘅戲院睇左依套。 887 | 888 | 本來好擔心trailer播晒啲好笑野，好彩戲入面都有好多，數都數唔晒。",positive 889 | "情節都ok, 個女主角好搞笑",positive 890 | "以為預告出晒笑料⋯ 點知唔係 891 | 女主角太好笑 892 | 笑足全場",positive 893 | 多粗口，多笑點，節奏明快。絕對適合放左工去輕鬆下，保證笑到攰。,positive 894 | 之前都有睇過呢個女主角又係做女警，我鍾意佢講多d粗口，哈哈好好笑！不過一開始笨手笨腳，之後就好靈活！,positive 895 | 比起港產片的笑片 這套有質素得多 笑位多 主角不是美人 而是一個胖女人 但在劇中 她證明了 師奶 亦可以很有型👍,positive 896 | 劇情不錯，最緊要好好笑😁,positive 897 | Was quite surprised with the movie. Had no expectation going in and had a great time. Burst out laughing out loud so many times during the movie.😂,positive 898 | "凸務MADAM 899 | Spy 900 | 雖然兩個鐘好長 又好多粗口 901 | 但真係笑死我😂😂 902 | 無咩悶場位👍",positive 903 | Really a good movie (≧∇≦),positive 904 | "#melissamccarthy 絕對是全片的主角，由一個在控制室的中年婦女，因為愛，令她決心變成真正的特務。沒有先進的武器，全憑誤打誤撞及演技派的能力，成功完成非一般的任務。 905 | 有她的出現就有笑聲的伴隨。繼 "" The Heat"" ，""Mike and Molly"" 後又一搞笑力作。",positive 906 | 差唔多由頭笑到尾 打鬥場面都係笑位嚟 都有唔少粗口笑位 雖然睇睇下會有少少估到劇情 但真係好好笑 輕輕鬆鬆入去笑下呢套唔錯的,positive 907 | "一定要睇！ 908 | 909 | 笑吾停！笑到肚子痛！",positive 910 | "的確係好笑。 911 | 當然，劇集情節直接，搞笑位也是普通那些，但恰到好處的安排，使全劇有趣，令人放鬆。",positive 912 | 佢地既對話的確好多粗口 但系對話內容有時無厘頭得搞笑 由其系撞板既時候 笑到完場 但係笑點高既人未必會感受到,positive 913 | Thus movie is funny. Worth watching a second time,positive 914 | "真係好搞笑 雖然多粗口 915 | 但又抵死中帶點幽默",positive 916 | 所有笑位不遍離主線，難得。,positive 917 | "好搞笑,啲粗口勁正 918 | 全場人都笑5停 919 | 👍👍👍👍👍👍",positive 920 | "笑足兩個鐘無停過，又有打 921 | 不過字幕好快有D跟吾上",positive 922 | 幾好笑！有啲笑到我肚痛 推薦睇,positive 923 | 幾搞笑，但係大部分笑點已經出現過預告片。假如無睇預告片就入去睇，會更加好笑！,positive 924 | Jason認真地搞笑 Melissa 演技一流,positive 925 | "One of the best comedies of the year so far. Paul Feig does it again. 926 | 927 | Jason Statham stole the show!",positive 928 | 海報 戲名都不行 但笑位不停,positive 929 | 年屆四十幾既Melissa McCarthy拍起笑片上黎依然神勇，加上型英帥靚正Jude Law做佢最佳拍檔，頗有睇頭。除左一般美式有味笑話，就係主角陰差陽錯做左特務之後既蝦碌野。由快到三十六歲生日既Rose Bryne擔任既女反角，身材依然出眾。呢套戲可以一次過滿足爸爸，媽媽，同小朋友既願望，值得入場。,positive 930 | 好好睇 個女主角好搞笑 身手仲好勁添😂,positive 931 | 難得的是，沒有什麽帥哥美女明星主演 也沒有大牌明星 但很值得看 比最近那些科幻片，動作片 值得看好多～！ 而且好好笑的,positive 932 | 肥妹好可愛好好笑 輕鬆下啦香港人,positive 933 | 好好笑 睇左雨次！放鬆心情舒解壓力既好選擇,positive 934 | 好好笑 肥嘟嘟做特務 有前有後好睇,positive 935 | "依加興用肥妹。 936 | 但好彩仍有用一班靚仔靚女 937 | 係個任務亂左d 938 | 最後先知做乜。但預計左ge 939 | Good!",positive 940 | "本身對笑片都冇乜期望. 941 | 因為大多數笑片都唔好笑. 942 | 但依套戲笑位好多. 943 | 劇情又緊張. 944 | 真系要快d去睇👍",positive 945 | 香港人要笑多啲，madam好肥呢xd,positive 946 | "超爆笑值得睇！ 947 | 心情唔好睇完都笑滾地",positive 948 | A nice choice for a relaxing day,positive 949 | 虽然Jude Law谢顶也很严重，但还是比Jason Statham好多了；影片对007的恶搞与颠覆比《金牌特工》尤甚，动作戏与笑点一样精彩，骨子里却是讲述女性意识觉醒的女权主义故事,positive 950 | 無諗過靚仔都拍笑片，又無諗過甘打得又嚴肅既人都會拍笑片，所以感覺好新鮮,positive 951 | 完全冇冷場，值回票價。,positive 952 | 好好笑，冇悶場，男角又靚仔有型，對白好好笑,positive 953 | Lower than my expectation:( But still the lame jokes are good!,positive 954 | 由頭笑到落尾😂都算係幾有驚喜嘅特務笑片,positive 955 | 好多笑位！好正 演員出色 佢出碟我一定買,positive 956 | 如果想放松一下睇一部電影，呢部絕對係好好既選擇！,positive 957 | 睇凸務片通常都好型，不過呢套仲型！型係佢新鮮，用肥婆做主角，打破一般人認為做凸務一定係男人同好打得好cool嘅想法。係本人入場睇，觀眾都係笑到拍爛手掌，值得睇睇。但可能有d 人會覺得唔搞笑，anyway，香港 放鬆 D 啦,positive 958 | 由入場笑到離開戲院仲笑梗...呢套真係有水準之作.,positive 959 | 生動有趣 笑料百出 值得一看,positive 960 | "自問平時睇好多笑片都唔係好笑得出，但呢齣電影係真係一齣""笑片"",五星已給。",positive 961 | "雖然故事沒有太大驚喜，但絕對係搞笑同創新！ 見到好多人話好睇，我都懷疑係有打手。但自己睇過後，完全係愛上這位女演員。 962 | 963 | 如果有睇開呢位導演就知道他的笑位。 964 | 965 | 故事簡介: 美國中情局分析師蘇珊(瑪莉莎麥卡菲),是位專門於後勤協力危險任務、卻不為人知的無名英雄。她心儀已久的拍檔(祖迪羅)在行動中突然消失無蹤,連帶另一位頂尖探員(積遜斯特咸)的安全,也危在旦夕。為求找出拍檔下落,蘇珊自薦加入臥底,混進危險軍火商企圖查出真相,跟奸險的蛇蠍美人主腦(露絲拜恩)連環交手!在英勇救難過程中,蘇珊發現心上人的失蹤,竟牽涉一宗即將威脅全球的大災難,絕非想像中這麼簡單!",positive 966 | 揸電單車個場 笑到甩肺,positive 967 | 套片由頭以後開始好笑，好好睇，唔係喜劇咁簡單，仲係笑劇!,positive 968 | 意想不到，的確係值回票價！,positive 969 | 睇佐trailer就仲意到即刻去戲院睇。劇情都幾普通，亦沒有相像中好。但係都睇得好Happy。男主角都係靚仔到冇得頂，女主角都几可愛。值得去睇！,positive 970 | 入場前都知係搞笑既特務片，自己又鐘意特務片。但吾會抱太期望始終都吾係勁卡士既片，睇完真係諗吾到甘好睇，比期望好,positive 971 | 男女主角底死好笑，由其是以有名氣的兩位男角，都願意做這種角色，真係值得一讚，呢D咪叫專業囉，而女角方面表現更加出色，記住唔好忘記佢身邊個高大女同事，好笑指數都係一絕 ～ 值得推介,positive 972 | 成套戲笑點多到數唔到，有d位係會直情笑到鬆唔到LOL。劇情都唔錯，蠻精彩，唔會為笑而笑。但建議唔好睇預告再去睇戲，因為有d爆笑位係預告睇左，係戲院全部人爆笑時我笑唔出：（。,positive 973 | 勁好睇!勁搞笑!超鐘意!年度最佳!!!!風景靚，音樂勁，人靚，又搞笑!!!!!!!!!!!,positive 974 | 真係人生未試過睇一套戲可以笑咁耐。,positive 975 | 入場前沒想到會咁好笑。值得一看。,positive 976 | 笑到我卡卡聲，仲笑到張櫈震,positive 977 | "雖然一開始唔似笑片，但之後既笑位真係幾正。 978 | 女主角外形唔討好但說話每句都有笑點。推介！",positive 979 | 好好笑 😂😂😂劇情估佢唔到,positive 980 | 成套戲冇咩内容，但人物性格好好笑，幾得意,positive 981 | Surprisingly good. Not bad to kill time :),positive 982 | 搞笑到我肚痛，真係好搞笑，認真可以睇,positive 983 | 這套電影最初我以為吾糸太好笑 但是入去看時就覺得好好笑 肥女主角影得看似不專業但其實好專業,positive 984 | It's really funny and lovely. All the casts performs fantastically. Worth seeing as entertainment.,positive 985 | 笑到好好笑!!!!!!!!!!,positive 986 | 笑點不錯，故事性也很流暢。,positive 987 | 笑足全場 好多粗口 值得一睇👍👍,positive 988 | 從頭笑到尾！今年力薦！,positive 989 | 超好睇，好笑!冇可能吾笑!,positive 990 | 其實睇30秒嘅trailer唔算吸引，估唔到原來又幾攪笑，一套輕輕鬆鬆無悶場嘅戲!*^O^*,positive 991 | "It is quite interesting movie, very funny.",positive 992 | 一如以往既角色 同劇情 但真係睇整都識笑 👍👍👍,positive 993 | 如果不求邏輯(因為套戲峰迴路轉得黎有d位無乜邏輯)，純粹笑下輕鬆下，咁又真係有好多位都幾好笑。特別欣賞積遜斯特咸演譯既特工，意想不到咁搞笑！但真係唔推薦本身好鍾意思考邏輯或者無乜幽默感既朋友睇，因為有好多位會不明所以。,positive 994 | 聽佢既對話加字幕已經夠好笑，同一句英文(fxxk) 可以譯倒唔同既中文,positive 995 | Hangover之後最好笑的西片！,positive 996 | 很久沒看到一套由頭笑到落尾的comedy!,positive 997 | "故事簡單冇咩分支線 998 | 以笑片形式去拍特務片 999 | 全程都不斷有新笑點 1000 | 簡單易明 不過就有d笑位咸咸地 1001 | 小朋友睇到唔會明但成人睇到就好到位 1002 | 結局亦都有d曲折但都係笑住完場既 1003 | 所以都值四粒星",positive 1004 | 笑完一餐真係好唔錯 ^^,positive 1005 | "Funny spy movie ever, couldn't imagine how a big woman can save the world, really a interesting film.",positive 1006 | 女主角搞笑抵死，唔覺得造作，另外幾位男角亦充分發揮自己的角色，正！,positive 1007 | 雖然唔係咩大電影 輕輕鬆鬆咁睇 緊張 搞笑 劇情夠正 假日好精選,positive 1008 | 女主角好好笑， 無悶場👍🏻,positive 1009 | "套戲無悶場，又好笑！ 1010 | 睇完一次，想睇多次👍🏻",positive 1011 | 情節輕鬆 搞笑 劇情有峰迴路轉,positive 1012 | 值得一睇，好好笑，女主角演技👍🏻,positive 1013 | Funny and well written!,positive 1014 | "女主角好好笑！好多爆笑場面！ 1015 | 一啲都無悶場！",positive 1016 | 其實最亮眼真係女主角既戲。。。但扮奄尖刻薄有錢女既蘿絲拜恩好正好有女人味同好高貴好吸引到我同英俊既祖迪羅好襯:),positive 1017 | 近年搞笑西片之作！[笑了。。,positive 1018 | 好笑，多笑位！！！！！！,positive 1019 | "好多精警對白, 多位型男+搞笑女主角, 作為想「笑一餐」唔錯既選擇",positive 1020 | 想笑既朋友仔可以入場。圍喂喂⋯⋯咁就完。,positive 1021 | "I didn't have high expectations, but I found myself literally laughing my ass off.",positive 1022 | "Going into this, I thought this was just going to be a moderately funny movie. Turned out that it was hilarious. The entire theatre was laughing throughout most of the movie.",positive 1023 | "由電影一開始就已經有笑彈，同埋下伏線，所以建議唔好遲入場。 1024 | 1025 | 結尾都有笑彈，請睇到完完全全出左字幕先離場。 1026 | 1027 | 以下為喜歡本片配樂的人提供： 1028 | （Ending Song）Bad Seed Rising 1029 | Mika - Boum Boum Boum 1030 | Serebro - Mi Mi Mi 1031 | Heartsrevolution - Kiss 1032 | 50 Cent (feat. Mr. Probz) - Twisted 1033 | Ida Maria - Cold Blooded 1034 | Verka - Serduchka 1035 | Iggy Azalea - Bounce 1036 | Gin Wigmore - Kill Of The Night 1037 | Ivy Levan - Who Can You Trust 1038 | Santigold (feat. Karen O) - GO! 1039 | Inna (feat. J Balvin) - Cola Song 1040 | Nicolay Mondaine (feat. Texaz) - I'm A Diva (Need Nobody)",positive 1041 | Enjoyable..,positive 1042 | "雖嫌語言有點粗鄙，但賺取笑聲的不竟是幾位男女主角之間的互動、愛慕、猜忌、仇視！各為其主，為求達到目的，不擇手段，凸顯美國中情局的霸道、無知、囂張、和狠！ 1043 | 1044 | 蘇絲的肥胖，不但没有给她任何覊絆，反而是笑料的泉源。不斷變換身份只是增添笑點的一種手法，但不竟要一位肥人騎着綿羊仔去追一部時速隨時高十倍的汔車，是最犯駁的地方，況且賦予主角如神的槍法，簡直匪夷所思，倒不如把蘇絲塑造成一位有超能力的奇俠較有說肥力。 1045 | 1046 | 其他笑位其實都只能抱着姑且一笑，才能爆發笑聲，反正主題雖為奪回殺人武器而瞓身派員卧底，竊取敵方情報，但對方既然為純熟的國際级罪犯，要埋身殺敵，盗取情報，只靠幾位搞笑有餘，智慧不足的特務，確是為製造驚險和笑料，兼而有之的場面，賦予生命力！ 1047 | 1048 | 入場純為放鬆和笑，其他的可以不理！",positive 1049 | 整部剧中Statham最有趣 次次搞砸的逗比,positive 1050 | "笑話唔低俗 1051 | 好正!!",positive 1052 | "女主角比人非禮笑死我 1053 | 其實女主角好有料 識打 記野又叻 1054 | 劇情豐富 有好多笑位 睇完成個人好輕鬆 1055 | 值得睇",positive 1056 | Nice! I love it.,positive 1057 | 笑死我喇，笑到我返唔到工,positive 1058 | Really looks like james bond parody as Jude Law did his best to portray a charming agent. Jason Statham also did his job very well to make his very goofy lol,positive 1059 | 笑足全場 好正！！！勁搞笑,positive 1060 | "我覺得可以多啲笑倍，就最好⋯ 1061 | 整體都好笑既⋯😂😂",positive 1062 | 好好睇，無冷場，減壓一流,positive 1063 | "凸務Madam(Spy) 1064 | 05/06/2015 1065 | Spy最成功之處是對比大 ，明顯，甚至到達誇張程度。就是這種夠膽和去到盡的表現手法，最後赢得高票房和觀眾的笑聲。 1066 | 仍然有型男如Jude Law(雖然已有點老態，髮線亦愈來愈高)，也有索女如Rose Brian(亦有點走樣，太瘦和開始蒼老) ，但真正的戲肉卻是 Melissa Mccarthy ～女性，沒有美貌，沒有身裁 。還有，她很肥！這徹底打破了一貫大銀幕上特務的形象。就是這個大膽嘗試令影片踏出受歡迎的第一步。 1067 | 型男索女變配角，肥婆變主角，當然有背後原因。首先，Melissa 在戲中的形象正面，討好和鮮明。心直口快，善良，機智，是她角色的特點。最重要的是，愛靚仔特務Jude 是她從不掩飾的，許多笑料便順理成章地鋪排，而且很易被觀眾接受 。 其次，攪笑的對白亦為影片製造許多令人捧腹的笑位 ，同時串連了快速進行的劇情。再者，其他演員的破格演出亦有驚喜。如Jason Statham 一改過往强悍型爆形象，變為“吹水”特務 ，經常把事情弄得一團糟 。還有女拍擋Nancy ，意大利特工等，都各自搶鏡 。凡斯種種，不難想像為何戲院内會笑聲不絕。 1068 | 不要跟“Kingsman”,""Jump Street"" ...等影片比較，Spy 自有其特色和賣點，是一部可以令你開懷大笑和減壓的電影。 1069 | 1070 | PS: 在此感謝一班替我 proofread 影評的中學同學仔。可以說的是“無言感激”。同埋“l love you all”。一班好令我感動嘅朋友，亦係我好珍惜嘅朋友！",positive 1071 | 都OK，有幾個笑位😁😁,positive 1072 | "高度推介 笑足全場 1073 | Btw jude law第一個shot隻柴皮手好catchy...",positive 1074 | 睇呢套就岩啦，Jason Statham 係咁爆粗但好好笑，Jude Law我一般般佢都係拍往RDJ好睇D，明既明,positive 1075 | 笑位十足，有d 似mr.bean 做特務果套，Jason statham 搞笑難得。,positive 1076 | Haven't laughed this much watching a movie since Dude Where's my Car! Indifferently hilarious! Must watch!,positive 1077 | 集好笑丶刺激丶無悶場於一身！欣賞非一般的特工造型💥🔫,positive 1078 | 搞笑位多 減壓電影 good,positive 1079 | "呢部電影係我同男友睇既第三部電影😊 1080 | 係好多笑位，唔會悶，成套戲仲好輕鬆，當然還有很甜蜜幸福（與bb😆) 1081 | 劇情曲折，重質又重量 1082 | 好岩情侶睇~有咩開心得過一齊有共同感覺吖😝",positive 1083 | 除了主角肥妹，仲有靚仔靚女睇，場景規模唔細，有一定的視覺享受。想笑想relax就go go go la!,positive 1084 | "半個月前睇第一日優先場，笑足全程。 1085 | 有笑位有動作，少有冷場",positive 1086 | 超好笑！Jason Statham有黑色幽默。哈哈,positive 1087 | "Great movie, like it so much, highly recommend",positive 1088 | Melissa繼續搞笑本色，同埋個高妹好抵死，最估唔到係Jason Statham原來可以好搞笑,positive 1089 | 雖然係有啲粗口，但係都好好笑，值得睇下嘅！！,positive 1090 | 去睇下 輕鬆下 好多笑位,positive 1091 | 最衰自己英文唔夠叻，咪先應該更加爆笑～想輕輕鬆松睇場戲笑餐飽絕對可以考慮！,positive 1092 | 有劇情有特技勁多笑位 開心足120分鐘,positive 1093 | "唔用理性角度去睇，笑爆肺（可能我笑點低） 1094 | 謝絕一切劇透，但我由開始個爆谷笑到差不多瀉咁濟！想開心想自由大笑，強烈推介😎 1095 | 力讚戲中幾位女演員精湛屮誇張爆笑演技，讓我整個過程都好亢奮😆😂",positive 1096 | 幾好笑，個反派勁靚勁索！,positive 1097 | "Very funny, I love watching Melissa mc cathy's movie",positive 1098 | "Trailer 已經有唔少好笑既位出左。 1099 | 見有人話唔好笑，有人話幾正， 1100 | 我諗分別主要係你肯唔肯投入d輕鬆睇。 1101 | 如果唔以一個入去評分既心態，好好享受下d 笑點。呢套野作為輕鬆小品實在唔錯。 1102 | 至於相比同樣輕鬆既Kingsman 就的確係仲有距離，相比之下，呢套比較係純粹搞笑",positive 1103 | 點解可以咁好笑，d粗口點解可以形容得咁貼切。真心推薦！,positive -------------------------------------------------------------------------------- /sample.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import tensorflow as tf 4 | import argparse 5 | import utils 6 | 7 | 8 | def main(): 9 | parser = argparse.ArgumentParser( 10 | formatter_class=argparse.ArgumentDefaultsHelpFormatter) 11 | parser.add_argument('--checkpoint_dir', type=str, default='save', 12 | help='model directory to store checkpointed models') 13 | parser.add_argument('--text', type=str, default=u' ', 14 | help='prime text') 15 | args = parser.parse_args() 16 | sample(args) 17 | 18 | 19 | def sample(args): 20 | print 'Loading data' 21 | x, y, vocabulary, vocabulary_inv = utils.load_data() 22 | 23 | text = [list(args.text)] 24 | sentences_padded = utils.pad_sentences(text, maxlen=x.shape[1]) 25 | raw_x, dummy_y = utils.build_input_data(sentences_padded, [0], vocabulary) 26 | 27 | checkpoint_file = tf.train.latest_checkpoint(args.checkpoint_dir) 28 | graph = tf.Graph() 29 | with graph.as_default(): 30 | sess = tf.Session() 31 | with sess.as_default(): 32 | # Load the saved meta graph and restore variables 33 | saver = tf.train.import_meta_graph("{}.meta".format(checkpoint_file)) 34 | saver.restore(sess, checkpoint_file) 35 | 36 | # Get the placeholders from the graph by name 37 | input_x = graph.get_operation_by_name("input_x").outputs[0] 38 | # input_y = graph.get_operation_by_name("input_y").outputs[0] 39 | dropout_keep_prob = graph.get_operation_by_name("dropout_keep_prob").outputs[0] 40 | 41 | # Tensors we want to evaluate 42 | predictions = graph.get_operation_by_name("output/predictions").outputs[0] 43 | 44 | predicted_result = sess.run(predictions, {input_x: raw_x, dropout_keep_prob: 1.0}) 45 | if (predicted_result[0] == 0): 46 | print args.text + ": negative" 47 | else: 48 | print args.text + ": positive" 49 | 50 | 51 | if __name__ == '__main__': 52 | main() 53 | -------------------------------------------------------------------------------- /serve.py: -------------------------------------------------------------------------------- 1 | # -*- coding: utf-8 -*- 2 | 3 | import tensorflow as tf 4 | import utils 5 | from flask import Flask, request, jsonify 6 | 7 | # Server Parameters 8 | tf.flags.DEFINE_integer("batch_size", 64, "Batch Size (default: 64)") 9 | tf.flags.DEFINE_string("checkpoint_dir", "", "Checkpoint directory from training run") 10 | 11 | FLAGS = tf.flags.FLAGS 12 | FLAGS._parse_flags() 13 | print("\nParameters:") 14 | for attr, value in sorted(FLAGS.__flags.items()): 15 | print("{}={}".format(attr.upper(), value)) 16 | print("") 17 | 18 | print 'Loading data' 19 | x, y, vocabulary, vocabulary_inv = utils.load_data() 20 | 21 | """ 22 | Restore the model 23 | """ 24 | checkpoint_file = tf.train.latest_checkpoint(FLAGS.checkpoint_dir) 25 | graph = tf.Graph() 26 | with graph.as_default(): 27 | sess = tf.Session() 28 | with sess.as_default(): 29 | # Load the saved meta graph and restore variables 30 | saver = tf.train.import_meta_graph("{}.meta".format(checkpoint_file)) 31 | saver.restore(sess, checkpoint_file) 32 | 33 | # Get the placeholders from the graph by name 34 | input_x = graph.get_operation_by_name("input_x").outputs[0] 35 | # input_y = graph.get_operation_by_name("input_y").outputs[0] 36 | dropout_keep_prob = graph.get_operation_by_name("dropout_keep_prob").outputs[0] 37 | 38 | # Tensors we want to evaluate 39 | predictions = graph.get_operation_by_name("output/predictions").outputs[0] 40 | 41 | app = Flask(__name__) 42 | 43 | 44 | @app.route('/predict', methods=['POST']) 45 | def predict(): 46 | if not request.json or not 'text' in request.json: 47 | abort(400) 48 | 49 | text = request.json['text'] 50 | raw_x = utils.sentence_to_index(text, vocabulary, x.shape[1]) 51 | predicted_results = sess.run(predictions, {input_x: raw_x, dropout_keep_prob: 1.0}) 52 | 53 | return jsonify({'result': predicted_results[0]}) 54 | 55 | 56 | if __name__ == '__main__': 57 | app.run(debug=True) 58 | -------------------------------------------------------------------------------- /train.py: -------------------------------------------------------------------------------- 1 | import tensorflow as tf 2 | import time 3 | import datetime 4 | import os 5 | import utils 6 | import codecs 7 | from classifier_cnn import CNNClassifier 8 | 9 | # Parameters 10 | # ================================================== 11 | 12 | # Data loading params 13 | tf.flags.DEFINE_float("dev_sample_percentage", .1, "Percentage of the training data to use for validation") 14 | 15 | # Model Hyperparameters 16 | tf.flags.DEFINE_integer("embedding_dim", 128, "Dimensionality of character embedding (default: 128)") 17 | tf.flags.DEFINE_string("filter_sizes", "3,5,8", "Comma-separated filter sizes (default: '3,5,8')") 18 | tf.flags.DEFINE_integer("num_filters", 128, "Number of filters per filter size (default: 128)") 19 | tf.flags.DEFINE_float("dropout_keep_prob", 0.5, "Dropout keep probability (default: 0.5)") 20 | tf.flags.DEFINE_float("l2_reg_lambda", 0.0, "L2 regularization lambda (default: 0.0)") 21 | 22 | # Training parameters 23 | tf.flags.DEFINE_integer("batch_size", 64, "Batch Size (default: 64)") 24 | tf.flags.DEFINE_integer("num_epochs", 200, "Number of training epochs (default: 200)") 25 | tf.flags.DEFINE_integer("evaluate_every", 100, "Evaluate model on dev set after this many steps (default: 100)") 26 | tf.flags.DEFINE_integer("checkpoint_every", 100, "Save model after this many steps (default: 100)") 27 | tf.flags.DEFINE_integer("num_checkpoints", 5, "Number of checkpoints to store (default: 5)") 28 | # Misc Parameters 29 | tf.flags.DEFINE_boolean("allow_soft_placement", True, "Allow device soft device placement") 30 | tf.flags.DEFINE_boolean("log_device_placement", False, "Log placement of ops on devices") 31 | 32 | FLAGS = tf.flags.FLAGS 33 | FLAGS._parse_flags() 34 | print("\nParameters:") 35 | for attr, value in sorted(FLAGS.__flags.items()): 36 | print("{}={}".format(attr.upper(), value)) 37 | print("") 38 | 39 | # Data Preparation 40 | # ================================================== 41 | 42 | # Load data 43 | print("Loading data...") 44 | x_text, y, vocabulary, vocabulary_inv = utils.load_data() 45 | 46 | # Split train/test set 47 | # TODO: This is very crude, should use cross-validation 48 | dev_sample_index = -1 * int(FLAGS.dev_sample_percentage * float(len(y))) 49 | x_train, x_dev = x_text[:dev_sample_index], x_text[dev_sample_index:] 50 | y_train, y_dev = y[:dev_sample_index], y[dev_sample_index:] 51 | print("Vocabulary Size: {:d}".format(len(vocabulary))) 52 | print("Train/Dev split: {:d}/{:d}".format(len(y_train), len(y_dev))) 53 | 54 | # Training 55 | # ================================================== 56 | 57 | with tf.Graph().as_default(): 58 | session_conf = tf.ConfigProto( 59 | allow_soft_placement=FLAGS.allow_soft_placement, 60 | log_device_placement=FLAGS.log_device_placement) 61 | sess = tf.Session(config=session_conf) 62 | with sess.as_default(): 63 | cnn = CNNClassifier( 64 | sequence_length=x_train.shape[1], 65 | num_classes=y_train.shape[1], 66 | vocab_size=len(vocabulary), 67 | embedding_size=FLAGS.embedding_dim, 68 | filter_sizes=list(map(int, FLAGS.filter_sizes.split(","))), 69 | num_filters=FLAGS.num_filters, 70 | l2_reg_lambda=FLAGS.l2_reg_lambda) 71 | 72 | # Define Training procedure 73 | global_step = tf.Variable(0, name="global_step", trainable=False) 74 | optimizer = tf.train.AdamOptimizer(1e-3) 75 | grads_and_vars = optimizer.compute_gradients(cnn.loss) 76 | train_op = optimizer.apply_gradients(grads_and_vars, global_step=global_step) 77 | 78 | # Keep track of gradient values and sparsity (optional) 79 | grad_summaries = [] 80 | for g, v in grads_and_vars: 81 | if g is not None: 82 | grad_hist_summary = tf.summary.histogram("{}/grad/hist".format(v.name), g) 83 | sparsity_summary = tf.summary.scalar("{}/grad/sparsity".format(v.name), tf.nn.zero_fraction(g)) 84 | grad_summaries.append(grad_hist_summary) 85 | grad_summaries.append(sparsity_summary) 86 | grad_summaries_merged = tf.summary.merge(grad_summaries) 87 | 88 | # Output directory for models and summaries 89 | timestamp = str(int(time.time())) 90 | out_dir = os.path.abspath(os.path.join(os.path.curdir, "runs", timestamp)) 91 | print("Writing to {}\n".format(out_dir)) 92 | 93 | # Summaries for loss and accuracy 94 | loss_summary = tf.summary.scalar("loss", cnn.loss) 95 | acc_summary = tf.summary.scalar("accuracy", cnn.accuracy) 96 | 97 | # Train Summaries 98 | train_summary_op = tf.summary.merge([loss_summary, acc_summary, grad_summaries_merged]) 99 | train_summary_dir = os.path.join(out_dir, "summaries", "train") 100 | train_summary_writer = tf.summary.FileWriter(train_summary_dir, sess.graph) 101 | 102 | # Dev summaries 103 | dev_summary_op = tf.summary.merge([loss_summary, acc_summary]) 104 | dev_summary_dir = os.path.join(out_dir, "summaries", "dev") 105 | dev_summary_writer = tf.summary.FileWriter(dev_summary_dir, sess.graph) 106 | 107 | # Visualization for embedding 108 | # Write meta 109 | with codecs.open(os.path.join(out_dir, "metadata.tsv"), 'w', encoding='utf-8') as tsv_file: 110 | for vocab in vocabulary_inv: 111 | tsv_file.write(vocab + "\n") 112 | 113 | config = tf.contrib.tensorboard.plugins.projector.ProjectorConfig() 114 | embedding = config.embeddings.add() 115 | embedding.tensor_name = cnn.W.name 116 | # Link this tensor to its metadata file (e.g. labels). 117 | embedding.metadata_path = os.path.join(out_dir, 'metadata.tsv') 118 | tf.contrib.tensorboard.plugins.projector.visualize_embeddings(tf.summary.FileWriter(dev_summary_dir), config) 119 | 120 | # Checkpoint directory. Tensorflow assumes this directory already exists so we need to create it 121 | checkpoint_dir = os.path.abspath(os.path.join(out_dir, "checkpoints")) 122 | checkpoint_prefix = os.path.join(checkpoint_dir, "model") 123 | if not os.path.exists(checkpoint_dir): 124 | os.makedirs(checkpoint_dir) 125 | saver = tf.train.Saver(tf.global_variables(), max_to_keep=FLAGS.num_checkpoints) 126 | 127 | # Write vocabulary 128 | # TODO: fix this 129 | # vocab_processor.save(os.path.join(out_dir, "vocab")) 130 | 131 | # Initialize all variables 132 | sess.run(tf.global_variables_initializer()) 133 | 134 | 135 | def train_step(x_batch, y_batch): 136 | """ 137 | A single training step 138 | """ 139 | feed_dict = { 140 | cnn.input_x: x_batch, 141 | cnn.input_y: y_batch, 142 | cnn.dropout_keep_prob: FLAGS.dropout_keep_prob 143 | } 144 | _, step, summaries, loss, accuracy = sess.run( 145 | [train_op, global_step, train_summary_op, cnn.loss, cnn.accuracy], 146 | feed_dict) 147 | time_str = datetime.datetime.now().isoformat() 148 | print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy)) 149 | train_summary_writer.add_summary(summaries, step) 150 | 151 | 152 | def dev_step(x_batch, y_batch, writer=None): 153 | """ 154 | Evaluates model on a dev set 155 | """ 156 | feed_dict = { 157 | cnn.input_x: x_batch, 158 | cnn.input_y: y_batch, 159 | cnn.dropout_keep_prob: 1.0 160 | } 161 | step, summaries, loss, accuracy = sess.run( 162 | [global_step, dev_summary_op, cnn.loss, cnn.accuracy], 163 | feed_dict) 164 | time_str = datetime.datetime.now().isoformat() 165 | print("{}: step {}, loss {:g}, acc {:g}".format(time_str, step, loss, accuracy)) 166 | if writer: 167 | writer.add_summary(summaries, step) 168 | 169 | 170 | batches = utils.batch_iter( 171 | list(zip(x_train, y_train)), FLAGS.batch_size, FLAGS.num_epochs) 172 | 173 | # Training loop. For each batch... 174 | for batch in batches: 175 | x_batch, y_batch = zip(*batch) 176 | train_step(x_batch, y_batch) 177 | current_step = tf.train.global_step(sess, global_step) 178 | if current_step % FLAGS.evaluate_every == 0: 179 | print("\nEvaluation:") 180 | dev_step(x_dev, y_dev, writer=dev_summary_writer) 181 | print("") 182 | if current_step % FLAGS.checkpoint_every == 0: 183 | path = saver.save(sess, checkpoint_prefix, global_step=current_step) 184 | 185 | # Save the model for Embedding Visualization 186 | saver.save(sess, os.path.join(dev_summary_dir, "model.ckpt"), global_step=current_step) 187 | 188 | print("Saved model checkpoint to {}\n".format(path)) 189 | -------------------------------------------------------------------------------- /utils.py: -------------------------------------------------------------------------------- 1 | import numpy as np 2 | import re 3 | import pandas 4 | import itertools 5 | from collections import Counter 6 | 7 | 8 | def clean_str(string): 9 | """ 10 | Tokenization/string cleaning for all datasets except for SST. 11 | Original taken from https://github.com/yoonkim/CNN_sentence/blob/master/process_data.py 12 | """ 13 | # string = re.sub(r"[^A-Za-z0-9(),!?\'\`]", " ", string) 14 | string = re.sub(r"\'s", " \'s", string) 15 | string = re.sub(r"\'ve", " \'ve", string) 16 | string = re.sub(r"n\'t", " n\'t", string) 17 | string = re.sub(r"\'re", " \'re", string) 18 | string = re.sub(r"\'d", " \'d", string) 19 | string = re.sub(r"\'ll", " \'ll", string) 20 | string = re.sub(r",", " , ", string) 21 | string = re.sub(r"!", " ! ", string) 22 | string = re.sub(r"\(", " \( ", string) 23 | string = re.sub(r"\)", " \) ", string) 24 | string = re.sub(r"\?", " \? ", string) 25 | string = re.sub(r"\s{2,}", " ", string) 26 | return string.strip().lower() 27 | 28 | 29 | def load_data_from_disk(): 30 | # Load dataset from file 31 | dataset = pandas.read_csv('./data/reviews.csv', encoding='utf-8', names=['comments', 'label']) 32 | 33 | # Split by words 34 | X = [clean_str(sentence) for sentence in dataset['comments']] 35 | X = [list(sentence) for sentence in X] 36 | Y = [[0, 1] if (label == 'positive') else [1, 0] for label in dataset['label']] 37 | 38 | return [X, Y] 39 | 40 | 41 | def pad_sentences(sentences, padding_word="", maxlen=0): 42 | """ 43 | Pads all the sentences to the same length. The length is defined by the longest sentence. 44 | Returns padded sentences. 45 | """ 46 | 47 | if maxlen > 0: 48 | sequence_length = maxlen 49 | else: 50 | sequence_length = max(len(s) for s in sentences) 51 | 52 | padded_sentences = [] 53 | for i in range(len(sentences)): 54 | sentence = sentences[i] 55 | num_padding = sequence_length - len(sentence) 56 | 57 | replaced_newline_sentence = [] 58 | for char in list(sentence): 59 | if char == "\n": 60 | replaced_newline_sentence.append("") 61 | elif char == " ": 62 | replaced_newline_sentence.append("") 63 | else: 64 | replaced_newline_sentence.append(char) 65 | 66 | new_sentence = replaced_newline_sentence + [padding_word] * num_padding 67 | 68 | # new_sentence = sentence + [padding_word] * num_padding 69 | padded_sentences.append(new_sentence) 70 | return padded_sentences 71 | 72 | 73 | def build_vocab(sentences): 74 | """ 75 | Builds a vocabulary mapping from word to index based on the sentences. 76 | Returns vocabulary mapping and inverse vocabulary mapping. 77 | """ 78 | 79 | # Build vocabulary 80 | word_counts = Counter(itertools.chain(*sentences)) 81 | 82 | # Map from index to word 83 | vocabulary_inv = [word[0] for word in word_counts.most_common()] 84 | vocabulary_inv = list(sorted(vocabulary_inv)) 85 | 86 | # Map from word to index 87 | vocabulary = {x: i for i, x in enumerate(vocabulary_inv)} 88 | 89 | return [vocabulary, vocabulary_inv] 90 | 91 | 92 | def build_input_data(sentences, labels, vocabulary): 93 | """ 94 | Maps sentences and labels to vectors based on a vocabulary 95 | """ 96 | x = np.array([[vocabulary[word] if word in vocabulary else 0 for word in sentence] for sentence in sentences]) 97 | y = np.array(labels) 98 | return [x, y] 99 | 100 | 101 | def batch_iter(data, batch_size, num_epochs, shuffle=True): 102 | """ 103 | Generates a batch iterator for a dataset. 104 | """ 105 | data = np.array(data) 106 | data_size = len(data) 107 | num_batches_per_epoch = int((len(data) - 1) / batch_size) + 1 108 | for epoch in range(num_epochs): 109 | # Shuffle the data at each epoch 110 | if shuffle: 111 | shuffle_indices = np.random.permutation(np.arange(data_size)) 112 | shuffled_data = data[shuffle_indices] 113 | else: 114 | shuffled_data = data 115 | for batch_num in range(num_batches_per_epoch): 116 | start_index = batch_num * batch_size 117 | end_index = min((batch_num + 1) * batch_size, data_size) 118 | yield shuffled_data[start_index:end_index] 119 | 120 | 121 | def sentence_to_index(sentence, vocabulary, maxlen): 122 | sentence = clean_str(sentence) 123 | raw_input = [list(sentence)] 124 | sentences_padded = pad_sentences(raw_input, maxlen=maxlen) 125 | raw_x, dummy_y = build_input_data(sentences_padded, [0], vocabulary) 126 | return raw_x 127 | 128 | 129 | def load_data(): 130 | sentences, labels = load_data_from_disk() 131 | sentences_padded = pad_sentences(sentences) 132 | vocabulary, vocabulary_inv = build_vocab(sentences_padded) 133 | x, y = build_input_data(sentences_padded, labels, vocabulary) 134 | 135 | return [x, y, vocabulary, vocabulary_inv] 136 | --------------------------------------------------------------------------------