R语言做文本挖掘 Part5情感分析

小程序：扫一扫查出行
【扫一扫了解最新限行尾号】
复制小程序

Part5情感分析

这是本系列的最后一篇文章，该。事实上这种单一文本挖掘的每一个部分进行全部值获取水落石出细致的研究，0基础研究阶段。用R里面现成的算法，来实现自己的需求，当然还參考了众多网友的智慧结晶，所以也想把我的收获总结出来分享给大家，希望也能像我一样在看大家的分享时得到自己的启示。

网上翻了下中文文本情感分析的一些文章，再回忆了一下我自己做情感分析的方法，认为我的想法真的是简单粗暴直接。

这是一篇介绍中文文本情感分析倾向的论文。http://wenku.baidu.com/link?url=TVf5LgNS6esnunpgubvM14z24m0f4lTyD483gw_hEnp2RyeL6XzanSlz8oCcZCFlwKLqD0PdBhVUcV4-0loTdGp3hL-kqeTTwJ3l91HfTa3，中间讲到做情感分析眼下主要有三种方法。第一种由已有的电子词典或词语知识库扩展生成情感倾向词典；另外一种，无监督机器学习的方法。第三种基于人工标注语料库的学习方法。

上面三种方法不细致一一说明了，它们都有一个共同的特点，须要一个情感倾向的语料库。我在R中的实现方案与第一种方法类似。整理一个褒义词词库一个贬义词词库（这个万能的互联网上有自己稍加整理就OK）。

给文本做分词，并提取出中间的情感词。给每条文本定情感倾向评分初始值为1。跟褒义贬义词词库做匹配，褒义词+1。贬义词-1，计算出每条文本的终于情感倾向评分，为正值则是正面评价，为负值则是负面评价。方法能够基本实现情感倾向推断。但还能够改进。像前面參考论文中讲到的，还能够依据词语的词性强弱来评定感情的强，不仅仅是+1和-1之分；还有考虑一些词语在不同语境下情感倾向可能会不同，比方论文中讲到的“骄傲”，这个我在想可能须要整理出有这样特殊情况的词语；还有负负得正的情况，比方“不喜欢是不可能的事情！”，照我的评分标准它的结果就是负面评价了；反问的情况。“哪里廉价了？”，评出来结果变成了正。“廉价”这个词我把它放在褒义词表下，事实上细致考虑假设是说“廉价实惠”肯定是褒义。假设说“廉价没好货”，也会是褒义，这就不正确了，还是第二个问题不同语境下情感倾向会不同。

R中的实现过程：

1. 数据输入处理

数据还是某品牌官微，取它微博中的1376条评论，情感褒义词库和贬义词库。将数据读入到R中。附词库下载地址：http://www.datatang.com/data/44317/，可能不是非常全。须要自己整理丰富。我在看服装相关的文本时。发现有些词像“褪色”，“开线”。“显瘦”。“显胖”都没有在里面，这些就须要自己另外加进去。

> hlzj.comment <- readLines("hlzj_commentTest.txt")

> negative <-readLines("D:\\R\\RWorkspace\\hlzjWorkfiles\\negative.txt")

> positive <-readLines("D:\\R\\RWorkspace\\hlzjWorkfiles\\positive.txt")

> length(hlzj.comment)

[1] 1376

> length(negative)

[1] 4477

> length(positive)

[1] 5588

2. 对评论做分词处理并评级

过程类似Part2中讲到的分词处理。

然后我自己写了个方法getEmotionalType()，将分词结果与negative表和positive表作对比计算得分。

> commentTemp <- gsub("[0-9０１２３４５６７８９ < > ~]","",hlzj.comment)

> commentTemp <-segmentCN(commentTemp)

> commentTemp[1:2]

[[1]]

[1] "恭喜""大家""又"
"没有" "找到" "俺"

[[2]]

[1] "没有" "私信" "給"
"我"   "小编" "把"
"我"   "给"   "漏"
"了"

> EmotionRank <-getEmotionalType(commentTemp,positive,negative)

[1] 0.073

[1] 0.145

[1] 0.218

[1] 0.291

[1] 0.363

[1] 0.436

[1] 0.509

[1] 0.581

[1] 0.654

[1] 0.727

[1] 0.799

[1] 0.872

[1] 0.945

> EmotionRank[1:10]

[1] 1 0 2 1 1 2 3 1 0 0

> commentEmotionalRank <-list(rank=EmotionRank,comment=hlzj.comment)

> commentEmotionalRank <-as.data.frame(commentEmotionalRank)

> fix(commentEmotionalRank)

getEmotionalType <- function(x,pwords,nwords){
emotionType <-numeric(0)
xLen <-length(x)
emotionType[1:xLen]<- 0
index <- 1
while(index <=xLen){
yLen <-length(x[[index]])
index2 <- 1
while(index2<= yLen){
if(length(pwords[pwords==x[[index]][index2]]) >= 1){
emotionType[index] <- emotionType[index] + 1
}else if(length(nwords[nwords==x[[index]][index2]]) >= 1){
emotionType[index] <- emotionType[index] - 1
}
index2<- index2 + 1
}
#获取进度
if(index%%100==0){
print(round(index/xLen,3))
}
index <-index +1
}
emotionType
}

查看到结果例如以下，第一个图里看着还挺正常的。第二个图好像是hlzj赞助的RM里出现了衣服被撕坏的时候的评论。没有黑他们家的意思。仅仅是想找个样例来说明下差评的效果，好像不是非常理想。那些反问的话无法识别推断，另一些比較口语化的“醉了”。“太次”这种词没有放到情感词库里。对这些评论的情感倾向识别效果不是非常好。