python情感分析（真实案例完整流程） |
您所在的位置：网站首页 › 文本情感分类代码 › python情感分析（真实案例完整流程） |
python情感分析（真实案例完整流程）
|
情感分析：又称为倾向性分析和意见挖掘，它是对带有情感色彩的主观性文本进行分析、处理、归纳和推理的过程，其中情感分析还可以细分为情感极性（倾向）分析，情感程度分析，主客观分析等。 情感极性分析的目的是对文本进行褒义、贬义、中性的判断。在大多应用场景下，只分为两类。例如对于“喜爱”和“厌恶”这两个词，就属于不同的情感倾向。 背景交代：爬虫京东商城某一品牌红酒下所有评论，区分好评和差评，提取特征词，用以区分新的评论【出现品牌名称可以忽视，本文章不涉及打广告哦 o(╯□╰)o】。 示例1（好评） 示例2（差评） 读取文本文件 def text(): f1 = open('E:/工作文件/情感分析案例1/good.txt','r',encoding='utf-8') f2 = open('E:/工作文件/情感分析案例1/bad.txt','r',encoding='utf-8') line1 = f1.readline() line2 = f2.readline() str = '' while line1: str += line1 line1 = f1.readline() while line2: str += line2 line2 = f2.readline() f1.close() f2.close() return str把单个词作为特征 def bag_of_words(words): return dict([(word,True) for word in words]) print(bag_of_words(text()))
把双个词作为特征，并使用卡方统计的方法，选择排名前1000的双词 def bigram(words,score_fn=BigramAssocMeasures.chi_sq,n=1000): bigram_finder=BigramCollocationFinder.from_words(words) #把文本变成双词搭配的形式 bigrams = bigram_finder.nbest(score_fn,n) #使用卡方统计的方法，选择排名前1000的双词 newBigrams = [u+v for (u,v) in bigrams] return bag_of_words(newBigrams) print(bigram(text(),score_fn=BigramAssocMeasures.chi_sq,n=1000))
把单个词和双个词一起作为特征 def bigram_words(words,score_fn=BigramAssocMeasures.chi_sq,n=1000): bigram_finder=BigramCollocationFinder.from_words(words) bigrams = bigram_finder.nbest(score_fn,n) newBigrams = [u+v for (u,v) in bigrams] a = bag_of_words(words) b = bag_of_words(newBigrams) a.update(b) #把字典b合并到字典a中 return a print(bigram_words(text(),score_fn=BigramAssocMeasures.chi_sq,n=1000))
结巴分词工具进行分词及词性标注 三种分词模式 ： A、精确模式：试图将句子最精确地切开，适合文本分析。默认是精确模式。 B、全模式：把句子中所有的可以成词的词语都扫描出来, 速度非常快，但是不能解决歧义 C、搜索引擎模式：在精确模式的基础上，对长词再次切分，提高召回率，适合用于搜索引擎分词 注：当指定jieba.cut的参数HMM=True时，就有了新词发现的能力。 import jieba def read_file(filename): stop = [line.strip() for line in open('E:/工作文件/情感分析案例1/stop.txt','r',encoding='utf-8').readlines()] #停用词 f = open(filename,'r',encoding='utf-8') line = f.readline() str = [] while line: s = line.split('\t') fenci = jieba.cut(s[0],cut_all=False) #False默认值：精准模式 str.append(list(set(fenci)-set(stop))) line = f.readline() return str安装nltk，pip3 install nltk from nltk.probability import FreqDist,ConditionalFreqDist from nltk.metrics import BigramAssocMeasures获取信息量最高(前number个)的特征(卡方统计) def jieba_feature(number): posWords = [] negWords = [] for items in read_file('E:/工作文件/情感分析案例1/good.txt'):#把集合的集合变成集合 for item in items: posWords.append(item) for items in read_file('E:/工作文件/情感分析案例1/bad.txt'): for item in items: negWords.append(item) word_fd = FreqDist() #可统计所有词的词频 cond_word_fd = ConditionalFreqDist() #可统计积极文本中的词频和消极文本中的词频 for word in posWords: word_fd[word] += 1 cond_word_fd['pos'][word] += 1 for word in negWords: word_fd[word] += 1 cond_word_fd['neg'][word] += 1 pos_word_count = cond_word_fd['pos'].N() #积极词的数量 neg_word_count = cond_word_fd['neg'].N() #消极词的数量 total_word_count = pos_word_count + neg_word_count word_scores = {}#包括了每个词和这个词的信息量 for word, freq in word_fd.items(): pos_score = BigramAssocMeasures.chi_sq(cond_word_fd['pos'][word], (freq, pos_word_count), total_word_count) #计算积极词的卡方统计量，这里也可以计算互信息等其它统计量 neg_score = BigramAssocMeasures.chi_sq(cond_word_fd['neg'][word], (freq, neg_word_count), total_word_count) word_scores[word] = pos_score + neg_score #一个词的信息量等于积极卡方统计量加上消极卡方统计量 best_vals = sorted(word_scores.items(), key=lambda item:item[1], reverse=True)[:number] #把词按信息量倒序排序。number是特征的维度，是可以不断调整直至最优的 best_words = set([w for w,s in best_vals]) return dict([(word, True) for word in best_words])调整设置，分别从四种特征选取方式开展并比较效果 def build_features(): #feature = bag_of_words(text())#第一种：单个词 #feature = bigram(text(),score_fn=BigramAssocMeasures.chi_sq,n=500)#第二种：双词 #feature = bigram_words(text(),score_fn=BigramAssocMeasures.chi_sq,n=500)#第三种：单个词和双个词 feature = jieba_feature(300)#第四种：结巴分词 posFeatures = [] for items in read_file('E:/工作文件/情感分析案例1/good.txt'): a = {} for item in items: if item in feature.keys(): a[item]='True' posWords = [a,'pos'] #为积极文本赋予"pos" posFeatures.append(posWords) negFeatures = [] for items in read_file('E:/工作文件/情感分析案例1/bad.txt'): a = {} for item in items: if item in feature.keys(): a[item]='True' negWords = [a,'neg'] #为消极文本赋予"neg" negFeatures.append(negWords) return posFeatures,negFeatures获得训练数据 posFeatures,negFeatures = build_features() from random import shuffle shuffle(posFeatures) shuffle(negFeatures) #把文本的排列随机化 train = posFeatures[300:]+negFeatures[300:]#训练集(70%) test = posFeatures[:300]+negFeatures[:300]#验证集(30%) data,tag = zip(*test)#分离测试集合的数据和标签，便于验证和测试 def score(classifier): classifier = SklearnClassifier(classifier) classifier.train(train) #训练分类器 pred = classifier.classify_many(data) #给出预测的标签 n = 0 s = len(pred) for i in range(0,s): if pred[i]==tag[i]: n = n+1 return n/s #分类器准确度这里需要安装几个模块：scipy、numpy、sklearn scipy及numpy模块需要访问http://www.lfd.uci.edu/~gohlke/pythonlibs，找到scipy、numpy，下载对应版本的whl import sklearn from nltk.classify.scikitlearn import SklearnClassifier from sklearn.svm import SVC, LinearSVC, NuSVC from sklearn.naive_bayes import MultinomialNB, BernoulliNB from sklearn.linear_model import LogisticRegression from sklearn.metrics import accuracy_score print('BernoulliNB`s accuracy is %f' %score(BernoulliNB())) print('MultinomiaNB`s accuracy is %f' %score(MultinomialNB())) print('LogisticRegression`s accuracy is %f' %score(LogisticRegression())) print('SVC`s accuracy is %f' %score(SVC())) print('LinearSVC`s accuracy is %f' %score(LinearSVC())) print('NuSVC`s accuracy is %f' %score(NuSVC()))检测结果输出1（单个词：每个字为特征） 检测结果输出2（词[俩字]：2个字为特征，使用卡方统计选取前n个信息量大的作为特征） 检测结果输出3（单个词和双词：把前面2种特征合并之后的特征） 检测结果输出4（结巴分词：用结巴分词外加卡方统计选取前n个信息量大的作为特征） 对比四种特征选取方式可以看出，单字 - 词 - 单字+词 - 结巴分词，效果是越来越好的。 |
【本文地址】
今日新闻 |
推荐新闻 |