基于Python的情感分析案例

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()))

import nltk
from nltk.collocations import  BigramCollocationFinder
<
eac7
span class="hljs-keyword">from nltk.metrics import  BigramAssocMeasures

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。