Chapter 15 电商产品评论数据情感分析

一、背景和目标

本文对电商平台上的热水器评论进行文本挖掘分析，本次数据挖掘的建模目标如下：

1. 分析某一品牌热水器的用户情感倾向。
2. 从评论文本中挖掘出该品牌热水器的优点和不足。
3. 提炼不同品牌热水器的卖点。

二、方法步骤

1. 利用爬虫工具——八爪鱼采集器，对京东商城进行热水器评论的数据采集。
2. 对获取的数据进行基本的处理操作，包括数据预处理、中文分词、停用词过滤等。
3. 文本评论数据经过处理后，运用多种手段对评论数据进行多方面的分析。
4. 从对应结果的分析中获取文本评论数据中有价值的内容。

三、过程

3.1 评论数据采集

要分析电商平台热水器的评论数据，需要先对评论数据进行采集，对比多种网络爬虫工具后，发现八爪鱼采集器属于“易用型”，它主要通过模仿用户的网页操作进行数据采集，只需指定数据采集逻辑和可视化采集的数据，即可完成采集规则的制定。因此在此，选择八爪鱼采集器作为网页数据的抓取工具。

3.2 评论预处理

3.21 对象评论抽取

将评论为“美的”的“评论一列抽取”，编码每UTF-8格式。

 

#-*- coding: utf-8 -*-
import pandas as pd
 
inputfile = '.../data/huizong.csv' #评论汇总文件
outputfile = '.../data/meidi_jd.txt' #评论提取后保存路径
data = pd.read_csv(inputfile, encoding = 'utf-8')
data = data[[u'评论']][data[u'品牌'] == u'美的']
data.to_csv(outputfile, index = False, header = False, encoding = 'utf-8')

 3.22 文本去重

#-*- coding: utf-8 -*-
import pandas as pd
 
inputfile = '.../data/meidi_jd.txt' #评论文件
outputfile = '.../data/meidi_jd_process_1.txt' #评论处理后保存路径
data = pd.read_csv(inputfile, encoding = 'utf-8', header = None)
l1 = len(data)
data = pd.DataFrame(data[0].unique())
l2 = len(data)
data.to_csv(outputfile, index = False, header = False, encoding = 'utf-8')
print(u'删除了%s条评论。' %(l1 - l2))

3.23 机械压缩去词语

例如：

好用，好用，好用，好用！

变为：好用！

3.24 短句删除 

字数越少，表达的意思越少，要表达相关的意思就必须有相应量的字数，过少字数的评论是没有什么意义的，如“很不错”等，为此将过短的评论文本数据删除，以除去没有意义的评论。

显然，短句删除最重要的环节是保留评论的字数下限的确定，这个没有精确的标准，一般4~8个国际字符都是比较合理的，这里设置下限度为4，即语料小于4个国际字符的则删去。

3.3 文本评论的分词

分词结果的准确性对后续文本挖掘算法有着不可忽视的影响。本文采用python中的中文分词包“jieba”（结巴分词），对TXT文档进行分词。“结巴分词”提供分词、词性标注、未登录词识别，支持用户词典等功能。经相关测试，此系统的分词精度高达97%以上。

3.4 模型构建

3.41 情感倾向性模型介绍

1. 训练生成词向量
2. 评论集子集的仍标注与映射
3. 训练栈式自编码网络

3.42 基于语义网络的评论分析

步骤：

1. 数据预处理，分词以及对停用词的过滤。
2. 进行情感倾向性分析，并将评论数据分割成正面（好评）、负面（差评）、中性（中评）3大组。（可用武汉大学开发的免费系统：ROSTCM6 来完成）
3. 抽取正面（好评）、负面（差评）两组，以进行语义网格的构建与分析。（可用武汉大学开发的免费系统：ROSTCM6 来完成）

3.43 基于LDA模型的主题分析

由于COSTCM6 得到的结果还有评分前缀，所以对开头的评分前缀和空格进行删除。

删除前缀评分代码：

#-*- coding: utf-8 -*-
import pandas as pd
 
#参数初始化
inputfile1 = '.../data/meidi_jd_process_end_负面情感结果.txt'
inputfile2 = '.../data/meidi_jd_process_end_正面情感结果.txt'
outputfile1 = '.../data/meidi_jd_neg.txt'
outputfile2 = '.../data/meidi_jd_pos.txt'
 
data1 = pd.read_csv(inputfile1, encoding = 'utf-8', header = None) #读入数据
data2 = pd.read_csv(inputfile2, encoding = 'utf-8', header = None)
 
data1 = pd.DataFrame(data1[0].str.replace('.*?\d+?\\t ', '')) #用正则表达式修改数据
data2 = pd.DataFrame(data2[0].str.replace('.*?\d+?\\t ', ''))
 
data1.to_csv(outputfile1, index = False, header = False, encoding = 'utf-8') #保存结果
data2.to_csv(outputfile2, index = False, header = False, encoding = 'utf-8')

分词代码：

#-*- coding: utf-8 -*-
import pandas as pd
import jieba #导入结巴分词，需要自行下载安装
 
#参数初始化
inputfile1 = '.../data/meidi_jd_neg.txt'
inputfile2 = '.../data/meidi_jd_pos.txt'
outputfile1 = '.../data/meidi_jd_neg_cut.txt'
outputfile2 = '.../data/meidi_jd_pos_cut.txt'
 
data1 = pd.read_csv(inputfile1, encoding = 'utf-8', header = None) #读入数据
data2 = pd.read_csv(inputfile2, encoding = 'utf-8', header = None)
 
mycut = lambda s: ' '.join(jieba.cut(s)) #自定义简单分词函数
data1 = data1[0].apply(mycut) #通过“广播”形式分词，加快速度。
data2 = data2[0].apply(mycut)
 
data1.to_csv(outputfile1, index = False, header = False, encoding = 'utf-8') #保存结果
data2.to_csv(outputfile2, index = False, header = False, encoding = 'utf-8')

LDA代码：

#-*- coding: utf-8 -*-
import pandas as pd
 
# 修改当前工作路径
import os
print(os.getcwd())  # 查看当前工作路径
os.chdir('D:/demo')  # 修改路径
print(os.getcwd())  # 查看当前工作路径
 
# 修改默认编码
import sys
sys.getdefaultencoding()  # 查看当前编码格式
# 报错时（AttributeError: 'module' object has no attribute 'setdefaultencoding'）
reload(sys)  # 报上面的错时，执行此命令
sys.setdefaultencoding('utf8')  # 修改编码格式
 
#参数初始化
negfile = '.../data/meidi_jd_neg_cut.txt'
posfile = '.../data/meidi_jd_pos_cut.txt'
stoplist = '.../data/stoplist.txt'
 
neg = pd.read_csv(negfile, encoding = 'utf-8', header = None) #读入数据
pos = pd.read_csv(posfile, encoding = 'utf-8', header = None)
stop = pd.read_csv(stoplist, encoding = 'utf-8', header = None, sep = 'tipdm')
#sep设置分割词，由于csv默认以半角逗号为分割词，而该词恰好在停用词表中，因此会导致读取出错
#所以解决办法是手动设置一个不存在的分割词，如tipdm。
stop = [' ', ''] + list(stop[0]) #Pandas自动过滤了空格符，这里手动添加
 
neg[1] = neg[0].apply(lambda s: s.split(' ')) #定义一个分割函数，然后用apply广播
neg[2] = neg[1].apply(lambda x: [i for i in x if i not in stop]) #逐词判断是否停用词，思路同上
pos[1] = pos[0].apply(lambda s: s.split(' '))
pos[2] = pos[1].apply(lambda x: [i for i in x if i not in stop])
 
from gensim import corpora, models
 
#负面主题分析
neg_dict = corpora.Dictionary(neg[2]) #建立词典
neg_corpus = [neg_dict.doc2bow(i) for i in neg[2]] #建立语料库
neg_lda = models.LdaModel(neg_corpus, num_topics = 3, id2word = neg_dict) #LDA模型训练
for i in range(3):
  neg_lda.show_topics()#展示主题
 
#正面主题分析
pos_dict = corpora.Dictionary(pos[2])
pos_corpus = [pos_dict.doc2bow(i) for i in pos[2]]
pos_lda = models.LdaModel(pos_corpus, num_topics = 3, id2word = pos_dict)
for i in range(3):
  pos_lda.show_topics()#展示主题

结果展示：

neg_lda.show_topics()#展示正面主题
Out[48]: 
[(0,
  '0.029*"加热" + 0.029*"不错" + 0.021*"热水器" + 0.013*"速度" + 0.011*"京东" + 0.010*"好" + 0.010*"买" + 0.007*"慢" + 0.006*"安装" + 0.006*"有点"'),
 (1,
  '0.057*"安装" + 0.020*"热水器" + 0.016*"师傅" + 0.015*"不错" + 0.015*"美的" + 0.013*"好" + 0.011*"买" + 0.011*"问题" + 0.010*"东西" + 0.008*"京东"'),
 (2,
  '0.040*"安装" + 0.028*"买" + 0.022*"知道" + 0.015*"好" + 0.010*"师傅" + 0.009*"有点" + 0.008*"热水器" + 0.008*"安装费" + 0.008*"一个" + 0.008*"n"')]
 
pos_lda.show_topics()#展示负面主题
Out[49]: 
[(0,
  '0.038*"好" + 0.035*"加热" + 0.020*"方便" + 0.017*"很快" + 0.017*"不错" + 0.016*"有点" + 0.016*"好用" + 0.014*"保温" + 0.011*"热水" + 0.011*"使用"'),
 (1,
  '0.057*"安装" + 0.022*"买" + 0.017*"师傅" + 0.016*"美的" + 0.014*"热水器" + 0.014*"一个" + 0.011*"安装费" + 0.008*"n" + 0.008*"材料" + 0.008*"售后"'),
 (2,
  '0.098*"不错" + 0.090*"好" + 0.042*"安装" + 0.023*"送货" + 0.022*"东西" + 0.021*"买" + 0.018*"热水器" + 0.017*"挺" + 0.017*"京东" + 0.015*"服务"')]

 经过LDA主题分析后，评论文本被聚成3个主题，每个主题下生成10个最有可能出现的词语及相应的概率。

 

心得体会：

1、爬取数据的工具还有其他，经检验，“后裔采集器”个人完全免费，且速度相对较快（据说八爪鱼1分钟10条），且还比较好用，建议使用。

2、ROSTCM6 中，以下文件均需要（不能删除，都是软件的一部分）：

3、jieba 分词的3种：

1) 精确模式：试图将语句最精确的切分，不存在冗余数据，适合做文本分析

seg_list = jieba.cut("我来到北京清华大学", cut_all=False)
print("【精确模式】: " + "/ ".join(seg_list))
或者：
seg_list = jieba.cut("我来到北京清华大学") # 默认是精确模式
print("【精确模式】: " + "/ ".join(seg_list))
 
 
输出：
 
【精确模式】: 我/ 来到/ 北京/ 清华大学

 

2) 全模式：将语句中所有可能是词的词语都切分出来，速度很快，但是存在冗余数据

seg_list = jieba.cut("我来到北京清华大学", cut_all=True)  # 全模式
 
输出：
 
【全模式】: 我/ 来到/ 北京/ 清华/ 清华大学/ 华大/ 大学
 

 

3) 搜索引擎模式：在精确模式的基础上，对长词再次进行切分

seg_list = jieba.cut_for_search("小明硕士毕业于中国科学院计算所")  # 搜索引擎模式
 
输出：
 
【搜索引擎模式】： 小明, 硕士, 毕业, 于, 中国, 科学, 学院, 科学院, 中国科学院, 计算, 计算所