Python做文本情感分析之情感极性分析_python情感极性分析有哪些常用方法

否定词的出现将直接将句子情感转向相反的方向，而且通常效用是叠加的。常见的否定词：不、没、无、非、莫、弗、勿、毋、未、否、别、無、休、难道等。

1.1.3 程度副词词典

既是通过打分的方式判断文本的情感正负，那么分数绝对值的大小则通常表示情感强弱。既涉及到程度强弱的问题，那么程度副词的引入就是势在必行的。词典可从《知网》情感分析用词语集（beta版）下载。词典内数据格式可参考如下格式，即共两列，第一列为程度副词，第二列是程度数值，> 1表示强化情感，< 1表示弱化情感。

程度副词词典

1.1.4 停用词词典

科院计算所中文自然语言处理开放平台发布了有1208个停用词的中文停用词表，也有其他不需要积分的下载途径。

1.2 数据预处理

1.2.1 分词

即将句子拆分为词语集合，结果如下：
e.g. 这样/的/酒店/配/这样/的/价格/还算/不错

Python常用的分词工具：

• 结巴分词 Jieba
• Pymmseg-cpp
• Loso
• smallseg

`from collections import defaultdict
import os
import re
import jieba
import codecs

"""
1. 文本切割
"""

def sent2word(sentence):
 """
 Segment a sentence to words
 Delete stopwords
 """
 segList = jieba.cut(sentence)
 segResult = []
 for w in segList:
 segResult.append(w)

 stopwords = readLines('stop\_words.txt')
 newSent = []
 for word in segResult:
 if word in stopwords:
 # print "stopword: %s" % word
 continue
 else:
 newSent.append(word)

 return newSent`

在此笔者使用Jieba进行分词。

1.2.2 去除停用词

遍历所有语料中的所有词语，删除其中的停用词
e.g. 这样/的/酒店/配/这样/的/价格/还算/不错