基于情感词典的情感分析

思路以及代码都来源于下面两篇文章：
一个不知死活的胖子：Python做文本情感分析之情感极性分析

 Ran Fengzheng 的博客：基于情感词典的文本情感极性分析相关代码

基于情感词典的情感分析应该是最简单的情感分析方法了，大致说一下使用情感词典进行情感分析的思路：
对文档分词，找出文档中的情感词、否定词以及程度副词，然后判断每个情感词之前是否有否定词及程度副词，将它之前的否定词和程度副词划分为一个组，如果有否定词将情感词的情感权值乘以-1，如果有程度副词就乘以程度副词的程度值，最后所有组的得分加起来，大于0的归于正向，小于0的归于负向。

准备：
1.BosonNLP情感词典
既然是基于情感词典的分析，当然需要一份包含所有情感词的词典，网上已有现成的，直接下载即可。
https://bosonnlp.com/dev/resource

从下载的文件里，随便粘了几个正向的情感词，词后面的数字表示的是情感词的情感分值，一般正向的都是正数，负向的是负数：
丰富多彩 1.87317228434
神采飞扬 1.87321290817
细微 1.87336937803
178.00 1.87338705728
不辞辛劳 1.87338705728
保加利亚 1.87338705728注：由于BosonNLP是基于微博、新闻、论坛等数据来源构建的情感词典，因此拿来对其他类别的文本进行分析效果可能不好
也有一种将所有情感词的情感分值设为1的方法来计算，想要详细了解可参考此文章：
文本情感分类（一）：传统模型

2.否定词词典
文本情感分类（一）：传统模型中提供了一个情感极性词典的下载包，包中带了一个否定词的txt。
不大
不丁点儿
不甚
不怎么
聊
没怎么
不可以
怎么不
几乎不
从来不
从不
不用
不曾
不该
不必
不会
不好
不能
很少
极少
没有
不是
难以
放下
扼杀
终止
停止
放弃
反对
缺乏
缺少
不
甭
勿
别
未
反
没
否
木有
非
无
请勿
无须
并非
毫无
决不
休想
永不
不要
未尝
未曾
毋
莫
从未
从未有过
尚未
一无
并未
尚无
从没
绝非
远非
切莫
绝不
毫不
禁止
忌
拒绝
杜绝
弗
3.程度副词词典程度副词如：非常、很、特别...等词
原博中提供了《知网》情感分析用词语集（beta版）的下载链接，该词典中包含了程度副词已经对应的程度值，但是下载下来之后发现只有程度副词，并没有对应的程度值。

从程度级别词语.txt中选取了一部分程度副词，可以看到只有程度词，没有程度值，这个时候就自己看情况赋一个值好了：
中文程度级别词语 219

1. “极其|extreme / 最|most” 69
百分之百
倍加
备至
不得了
不堪
不可开交
不亦乐乎
不折不扣
彻头彻尾
充分
到头
地地道道
非常
极
极度
极端
极其
极为
截然
尽
惊人地4.停用词词典数据堂的下载本地总是打不开，因此原博中提供的数据堂的中文停用词下载也是没下载下来，然后使用了snownlp源码中的停用词词典，但是后来发现有些情感词被当做停用词了
数据堂停用词下载：http://www.datatang.com/data/43894
snownlp源码：https://github.com/isnowfy/snownlp （停用词在snownlp/normal文件夹下 stopwords.txt）

5.分词工具
由于使用python，选择了jieba分词

数据和工具都准备好了，现在可以开始情感分析了~
来一个简单的句子：我今天很高兴也非常开心
（1）分词，去除停用词
我、今天、也被当作停用词去掉，剩下很、高兴、非常、开心
def seg_word(sentence):
"""使用jieba对文档分词"""
seg_list = jieba.cut(sentence)
seg_result = []
for w in seg_list:
seg_result.append(w)
# 读取停用词文件
stopwords = set()
fr = codecs.open('stopwords.txt', 'r', 'utf-8')
for word in fr:
stopwords.add(word.strip())
fr.close()
# 去除停用词
return list(filter(lambda x: x not in stopwords, seg_result))
（2）将分词结果转为字典，key为单词，value为单词在分词结果中的索引，后来想到一个问题，如果把单词作为key的话假如一个情感词在文中出现了多次，那么应该是只记录了这个词最后一次出现的位置，其他的被覆盖掉了。将上一步得到的分词结果转为字典：
{'很': 0, '高兴': 1, '非常': 2, '开心': 3}

def list_to_dict(word_list):
"""将分词后的列表转为字典，key为单词，value为单词在列表中的索引，索引相当于词语在文档中出现的位置"""
data = {}
for x in range(0, len(word_list)):
data[word_list[x]] = x
return data（3）对分词结果分类，找出情感词、否定词和程度副词
情感词sen_word（高兴和开心，key为单词的索引，value为情感权值）:
 {1: '1.48950851679', 3: '2.61234173173'}

程度副词degree_word（很和非常，key为索引，value为程度值）
{0: '1.75', 2: '2'}

否定词not_word，由于没有出现否定词，所以否定词为空：
{}

def classify_words(word_dict):
"""词语分类,找出情感词、否定词、程度副词"""
# 读取情感字典文件
sen_file = open('BosonNLP_sentiment_score.txt', 'r+', encoding='utf-8')
# 获取字典文件内容
sen_list = sen_file.readlines()
# 创建情感字典
sen_dict = defaultdict()
# 读取字典文件每一行内容，将其转换为字典对象，key为情感词，value为对应的分值
for s in sen_list:
# 每一行内容根据空格分割，索引0是情感词，索引1是情感分值
sen_dict[s.split(' ')[0]] = s.split(' ')[1]

# 读取否定词文件
not_word_file = open('notDic.txt', 'r+', encoding='utf-8')
# 由于否定词只有词，没有分值，使用list即可
not_word_list = not_word_file.readlines()

# 读取程度副词文件
degree_file = open('degree.txt', 'r+', encoding='utf-8')
degree_list = degree_file.readlines()
degree_dic = defaultdict()
# 程度副词与情感词处理方式一样，转为程度副词字典对象，key为程度副词，value为对应的程度值
for d in degree_list:
degree_dic[d.split(',')[0]] = d.split(',')[1]

# 分类结果，词语的index作为key,词语的分值作为value，否定词分值设为-1
sen_word = dict()
not_word = dict()
degree_word = dict()（4）计算得分首先设置初始权重W为1，从第一个情感词开始，用权重W*该情感词的情感值作为得分（用score记录），然后判断与下一个情感词之间是否有程度副词及否定词，如果有否定词将W*-1，如果有程度副词，W*程度副词的程度值，此时的W作为遍历下一个情感词的权重值，循环直到遍历完所有的情感词，每次遍历过程中的得分score加起来的总和就是这篇文档的情感得分。def socre_sentiment(sen_word, not_word, degree_word, seg_result):
"""计算得分"""
# 权重初始化为1
W = 1
score = 0
# 情感词下标初始化
sentiment_index = -1
# 情感词的位置下标集合
sentiment_index_list = list(sen_word.keys())
# 遍历分词结果(遍历分词结果是为了定位两个情感词之间的程度副词和否定词)
for i in range(0, len(seg_result)):
# 如果是情感词（根据下标是否在情感词分类结果中判断）
if i in sen_word.keys():
# 权重*情感词得分
score += W * float(sen_word[i])
# 情感词下标加1，获取下一个情感词的位置
sentiment_index += 1
if sentiment_index < len(sentiment_index_list) - 1:
# 判断当前的情感词与下一个情感词之间是否有程度副词或否定词
for j in range(sentiment_index_list[sentiment_index], sentiment_index_list[sentiment_index + 1]):
# 更新权重，如果有否定词，取反
if j in not_word.keys():
W *= -1
elif j in degree_word.keys():
# 更新权重，如果有程度副词，分值乘以程度副词的程度分值
W *= float(degree_word[j])
# 定位到下一个情感词
if sentiment_index < len(sentiment_index_list) - 1:
i = sentiment_index_list[sentiment_index + 1]
return score
W=1
score=0
第一个情感词是高兴，高兴的情感权值为1.48950851679，score=W*情感权值=1*1.48950851679=1.48950851679
高兴和下一个情感词开心之间出现了程度副词非常，程度值为2，因此W=W*2=1*2=2，然后获取下一个情感词
下一个情感词是开心，此时W=2,score=score+2*2.61234173173=1.48950851679+2*2.61234173173=6.71419198025
遍历结束
这里也发现两个问题：
（1）第一个情感词之前出现的程度副词和否定词被忽略了
（2）在判断两个情感词之间出现否定词以及程度副词时，W没有被初始化为1，这样W就被累乘了
        有兴趣的可以修改一下了~
完整代码：
from collections import defaultdict
import os
import re
import jieba
import codecs

def seg_word(sentence):
"""使用jieba对文档分词"""
seg_list = jieba.cut(sentence)
seg_result = []
for w in seg_list:
seg_result.append(w)
# 读取停用词文件
stopwords = set()
fr = codecs.open('stopwords.txt', 'r', 'utf-8')
for word in fr:
stopwords.add(word.strip())
fr.close()
# 去除停用词
return list(filter(lambda x: x not in stopwords, seg_result))

def classify_words(word_dict):
"""词语分类,找出情感词、否定词、程度副词"""
# 读取情感字典文件
sen_file = open('BosonNLP_sentiment_score.txt', 'r+', encoding='utf-8')
# 获取字典文件内容
sen_list = sen_file.readlines()
# 创建情感字典
sen_dict = defaultdict()
# 读取字典文件每一行内容，将其转换为字典对象，key为情感词，value为对应的分值
for s in sen_list:
# 每一行内容根据空格分割，索引0是情感词，索引01是情感分值
sen_dict[s.split(' ')[0]] = s.split(' ')[1]

# 读取否定词文件
not_word_file = open('notDic.txt', 'r+', encoding='utf-8')
# 由于否定词只有词，没有分值，使用list即可
not_word_list = not_word_file.readlines()

# 读取程度副词文件
degree_file = open('degree.txt', 'r+', encoding='utf-8')
degree_list = degree_file.readlines()
degree_dic = defaultdict()
# 程度副词与情感词处理方式一样，转为程度副词字典对象，key为程度副词，value为对应的程度值
for d in degree_list:
degree_dic[d.split(',')[0]] = d.split(',')[1]

# 分类结果，词语的index作为key,词语的分值作为value，否定词分值设为-1
sen_word = dict()
not_word = dict()
degree_word = dict()

# 分类
for word in word_dict.keys():
if word in sen_dict.keys() and word not in not_word_list and word not in degree_dic.keys():
# 找出分词结果中在情感字典中的词
sen_word[word_dict[word]] = sen_dict[word]
elif word in not_word_list and word not in degree_dic.keys():
# 分词结果中在否定词列表中的词
not_word[word_dict[word]] = -1
elif word in degree_dic.keys():
# 分词结果中在程度副词中的词
degree_word[word_dict[word]] = degree_dic[word]
sen_file.close()
degree_file.close()
not_word_file.close()
# 将分类结果返回
return sen_word, not_word, degree_word

def list_to_dict(word_list):
"""将分词后的列表转为字典，key为单词，value为单词在列表中的索引，索引相当于词语在文档中出现的位置"""
data = {}
for x in range(0, len(word_list)):
data[word_list[x]] = x
return data

def get_init_weight(sen_word, not_word, degree_word):
# 权重初始化为1
W = 1
# 将情感字典的key转为list
sen_word_index_list = list(sen_word.keys())
if len(sen_word_index_list) == 0:
return W
# 获取第一个情感词的下标，遍历从0到此位置之间的所有词，找出程度词和否定词
for i in range(0, sen_word_index_list[0]):
if i in not_word.keys():
W *= -1
elif i in degree_word.keys():
# 更新权重，如果有程度副词，分值乘以程度副词的程度分值
W *= float(degree_word[i])
return W

def socre_sentiment(sen_word, not_word, degree_word, seg_result):
"""计算得分"""
# 权重初始化为1
W = 1
score = 0
# 情感词下标初始化
sentiment_index = -1
# 情感词的位置下标集合
sentiment_index_list = list(sen_word.keys())
# 遍历分词结果(遍历分词结果是为了定位两个情感词之间的程度副词和否定词)
for i in range(0, len(seg_result)):
# 如果是情感词（根据下标是否在情感词分类结果中判断）
if i in sen_word.keys():
# 权重*情感词得分
score += W * float(sen_word[i])
# 情感词下标加1，获取下一个情感词的位置
sentiment_index += 1
if sentiment_index < len(sentiment_index_list) - 1:
# 判断当前的情感词与下一个情感词之间是否有程度副词或否定词
for j in range(sentiment_index_list[sentiment_index], sentiment_index_list[sentiment_index + 1]):
# 更新权重，如果有否定词，取反
if j in not_word.keys():
W *= -1
elif j in degree_word.keys():
# 更新权重，如果有程度副词，分值乘以程度副词的程度分值
W *= float(degree_word[j])
# 定位到下一个情感词
if sentiment_index < len(sentiment_index_list) - 1:
i = sentiment_index_list[sentiment_index + 1]
return score

# 计算得分
def setiment_score(sententce):
# 1.对文档分词
seg_list = seg_word(sententce)
# 2.将分词结果列表转为dic，然后找出情感词、否定词、程度副词
sen_word, not_word, degree_word = classify_words(list_to_dict(seg_list))
# 3.计算得分
score = socre_sentiment(sen_word, not_word, degree_word, seg_list)
return score

# 测试
print(setiment_score("我今天很高兴也非常开心"))