如何使用python做中文情感分析_python中文情感分析

作者：从前慢现在也慢 | 2024-03-06 11:40:12

踩

python中文情感分析

学习补充：

转载自：如何使用python做中文情感分析
在这里插入图片描述

作为一门编程语言，Python的编写简单，支持库强大，应用场景多，越来越多的人开始将它作为自己的编程入门语言。

Python一个比较重要的场景是做舆情分析，比如分析社交网络上群众对某一话题的态度，分析股民的情绪作为投资参考等。其中最基础的环节就是--分析一段话的情感倾向。

这里搬出笔者曾经做过的一个例子：分析知乎论坛2017年，“清华大学”话题下的集体情绪变化。

下面就分理论和实践两个部分，讲一讲怎么快速实现上面一幅图。

1.中文情感分析方法和难点

在上文所讲的例子中，我们希望得到的是人们对一件事情评价的情感倾向。比如支持还是反对一件事情，喜欢一件产品与否--结果可能是积极的，消极的或者中立的。比如

特别喜欢这种可爱的小狗

这句话的情感倾向显而易见是正面的。

情感标注的工作交给机器去做，可以有以下几种实现方式：

1.1 词性词典和分词

简单的说，就是给每个词语标注情感极性，比如好看是积极的，丑陋是消极的。拥有这样一个词典，机器就能对词语情感做分类。对于一句话，可以按先分词，再统计每个词语的情感极性的方法。中文分词的方法可以参照笔者之前的文章: 如何绘制好看的中文云词图。

这种方法看起来是很简便，但是问题在于，汉语言博大精深，同一个词在不同语境里有不同的意思，可能表达不同的情感态度。

比如“这个电影拍得太牛逼了”，“你牛逼你上啊”，前一句表示电影拍的好，情感积极，而后一句则属于反讽，情感负面。仅靠词语标注是没法准确反映一句话的情感倾向的。

另一个比较客观的情况是目前也没有比较好的开源中文情感词典。

1.2 机器学习

传统的机器学习方法如SVM，Naive Bayes等也可以用来做情感分类。这里的关键是将文本转换文本矩阵（比如常用的Bag of Words），交给训练好的分类器进行情感识别和分类。

Python里有一个常用的中文文本处理库SnowNLP，里面就使用了Bayes的方法，通过已经标注好极性的语句进行训练得到分类器。需要注意的是官方用于情感分析的训练集来自买卖东西的评价，因此这个情感分析用于商品评价最为准确，其它领域最好自建训练集。

下载SnowNLP使用以下命令即可：

pip install snownlp

1.3 神经网络

神经网络在图像识别上发挥了巨大的威力，同样的方法也被用在了文本处理上。笔者认为现有比较简单的方法是以字符为单位，训练神经网络。这种方法不需要提前知道语法和语义的知识，但需要比较大的训练集做训练。在情感分析方面这种方法已经达到了比较好的效果。

这种方法由纽约大学Yann LeCun团队提出，具体实现可以阅读他们的论文。 https://arxiv.org/pdf/1509.01626.pdf

2.简单实现文本的情感分析

上面提到了诸多实现中文文本情感分析的方法，读者可以根据自己的兴趣去实现。尽管有这么多方法，但都是要花一些功夫去研究和实现的。针对某一领域相关的文本的情感分析可能需要不断的去优化，才能达到比较好的效果。

这里我给大家推荐一个现成的轮子，百度提供的情感倾向分析API(搜索“百度AI开放平台”即可)。文章开始的集体情感变化曲线就是用这个实现的。

使用的方法也很简单，在官网注册之后，可以得到每月免费使用的10W次权限。python可以直接下载百度情感分析的调用模块。安装方法：

pip install baidu-aip
1

使用方法:

from aip import AipNlp

""" 你的 APPID AK SK """
APP_ID = '你的 App ID'
API_KEY = '你的 Api Key'
SECRET_KEY = '你的 Secret Key'

client = AipNlp(APP_ID, API_KEY, SECRET_KEY)
1
2
3
4
5
6
7
8

输入待分析的文本（一段知乎的回答）：

text="以前约过一个电子系妹子，之前和妹子关系都挺好的 
      约出去一切也很正常，直到不知怎么问起GPA。 我说我GPA不行，只有多少
      多少。(大概略高于平均吧） 她哦了一声，说她有多少多少（反正比我高很多，
      她貌似是他们系前几名） 从此以后她再也没理过我。 "
result=client.sentimentClassify(text)
1
2
3
4
5

返回结果：

{ 
   'items': [ {
        'confidence': 0.528202, //表示分类的置信度
        'negative_prob': 0.787691, //表示属于消极类别的概率
        'positive_prob': 0.212309, //表示属于积极类别的概率
        'sentiment': 0 //表示情感极性分类结果
        } 
    ], 
    'text': '以前约过一个电子系妹子...... '
}
1
2
3
4
5
6
7
8
9
10

解读一下结果，这句话情绪比较负面，负面的概率是0.787691，置信度是0.528202。

不用自建训练集，也不用自己调优，完全依赖百度的黑盒子，就可以实现简单的情感分析。是不是很赞O(∩_∩)O~

关于我更多的实践，请关注 “果果数据” 微信公众号，未来也会推出更多数据相关的应用和技术分享！

本文内容由网友自发贡献，转载请注明出处：https://www.wpsshop.cn/w/从前慢现在也慢/article/detail/198491