python 基于情感词典的情感分析之乐，惧，惊，哀，恶，怒和未知七种情感分析

最新推荐文章于 2024-05-31 13:57:45 发布
最新推荐文章于 2024-05-31 13:57:45 发布
阅读量1w 收藏 169
点赞数 18
分类专栏： 机器学习 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_36489878/article/details/103826724
版权

 

背景

情感分析是通过计算技术对文本内容的主观客观性、情绪等挖掘分析，对文本的情感偏向做出判断。目的是识别出文本中的具体情感分类，之前做文本分类都是通过深度学习或者机器学习进行文本分类，但是需要进行数据标注，对于上述其中情感的分类，有相应的情感词典，想通过情感词典的方式进行七分类情感分析。

1.数据准备

1.1 情感词典准备

中文情感词汇本体库是大连理工大学信息检索研究室在林鸿飞教授的指导下经过全体教研室成员的努力整理和标注的一个中文本体资源。该资源从不同角度描述一个中文词汇或者短语，包括词语词性种类、情感类别、情感强度及极性等信息。

中文情感词汇本体的情感分类体系是在国外比较有影响的Ekman的6大类情感分类体系的基础上构建的。在Ekman的基础上，词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感共分为7大类21小类。如果需要的话可以自行去下载。http://ir.dlut.edu.cn/EmotionOntologyDownload，需要需要相关的信息才可以哦。也可以通过其他方式去下载。

由于这里的七大类和我要做的七类有点区别只是应用了其中的六类。

1.2 否定词

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。

https://kexue.fm/usr/uploads/2017/09/1922797046.zip

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

1.3 程度副词词典

程度副词可以使用从这里《知网》情感分析用词语集（beta版）下载，里面包含程度级别的词语，但是里面的格式是汇总的形式，需要转换为词典的形式，这里做了一个简单的程度副词标记，大于1，表示情感加强，小于1，表示情感弱化，下面主要按照极其1.8，超1.6，很1.5，较1，稍0.7，欠0.5进行了一个简单的标记，如下所示。也可以根据自己的需求及及进行修改。

百分之百,1.8
倍加,1.8
备至,1.8
不得了,1.8
不堪,1.8
不可开交,1.8
不亦乐乎,1.8
不折不扣,1.8
彻头彻尾,1.8
充分,1.8
到头,1.8
地地道道,1.8
非常,1.8
极,1.8
极度,1.8
极端,1.8
极其,1.8
极为,1.8
截然,1.8
尽,1.8
惊人地,1.8
绝,1.8
绝顶,1.8
绝对,1.8
绝对化,1.8
刻骨,1.8
酷,1.8
满,1.8
满贯,1.8
满心,1.8
莫大,1.8
奇,1.8
入骨,1.8
甚为,1.8
十二分,1.8
十分,1.8
十足,1.8
死,1.8
滔天,1.8
痛,1.8
透,1.8
完全,1.8
完完全全,1.8
万,1.8
万般,1.8
万分,1.8
万万,1.8
无比,1.8
无度,1.8
无可估量,1.8
无以复加,1.8
无以伦比,1.8
要命,1.8
要死,1.8
已极,1.8
已甚,1.8
异常,1.8
逾常,1.8
贼,1.8
之极,1.8
之至,1.8
至极,1.8
卓绝,1.8
最为,1.8
佼佼,1.8
郅,1.8
綦,1.8
齁,1.8
最,1.8
不过,1.5
不少,1.5
不胜,1.5
惨,1.5
沉,1.5
沉沉,1.5
出奇,1.5
大为,1.5
多,1.5
多多,1.5
多加,1.5
多么,1.5
分外,1.5
格外,1.5
够瞧的,1.5
够戗,1.5
好,1.5
好不,1.5
何等,1.5
很,1.5
很是,1.5
坏,1.5
可,1.5
老,1.5
老大,1.5
良,1.5
颇,1.5
颇为,1.5
甚,1.5
实在,1.5
太,1.5
太甚,1.5
特,1.5
特别,1.5
尤,1.5
尤其,1.5
尤为,1.5
尤以,1.5
远,1.5
着实,1.5
曷,1.5
碜,1.5
大不了,0.8
多,0.8
更,0.8
更加,0.8
更进一步,0.8
更为,0.8
还,0.8
还要,0.8
较,0.8
较比,0.8
较为,0.8
进一步,0.8
那般,0.8
那么,0.8
那样,0.8
强,0.8
如斯,0.8
益,0.8
益发,0.8
尤甚,0.8
逾,0.8
愈,0.8
愈 ... 愈,0.8
愈发,0.8
愈加,0.8
愈来愈,0.8
愈益,0.8
远远,0.8
越 ... 越,0.8
越发,0.8
越加,0.8
越来越,0.8
越是,0.8
这般,0.8
这样,0.8
足,0.8
足足,0.8
点点滴滴,0.7
多多少少,0.7
怪,0.7
好生,0.7
还,0.7
或多或少,0.7
略,0.7
略加,0.7
略略,0.7
略微,0.7
略为,0.7
蛮,0.7
稍,0.7
稍稍,0.7
稍微,0.7
稍为,0.7
稍许,0.7
挺,0.7
未免,0.7
相当,0.7
些,0.7
些微,0.7
些小,0.7
一点,0.7
一点儿,0.7
一些,0.7
有点,0.7
有点儿,0.7
有些,0.7
半点,0.5
不大,0.5
不丁点儿,0.5
不甚,0.5
不怎么,0.5
聊,0.5
没怎么,0.5
轻度,0.5
弱,0.5
丝毫,0.5
微,0.5
相对,0.5
不为过,1.6
超,1.6
超额,1.6
超外差,1.6
超微结构,1.6
超物质,1.6
出头,1.6
多,1.6
浮,1.6
过,1.6
过度,1.6
过分,1.6
过火,1.6
过劲,1.6
过了头,1.6
过猛,1.6
过热,1.6
过甚,1.6
过头,1.6
过于,1.6
过逾,1.6
何止,1.6
何啻,1.6
开外,1.6
苦,1.6
老,1.6
偏,1.6
强,1.6
溢,1.6
忒,1.6

1.4 停止词

停用词词典有很多，可以使用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，也可以使用其他的停用词词表，但是要注意一下需要将否定词或者是程度副词的词典过滤掉，不然否定词在去除停用词的时候都过滤掉了，就缺少了一些程度副词或者否定词。如果需要过滤的话可以使用下面的方面过滤。

2.数据预处理

2.1 jieba分词

直接使用jieba分词工具进行分词

2.2 去除停用词

在jieba分词之后过滤掉停用词

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('data/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))

3.3 构建情感字典

词汇本体中的情绪共分为7种: “好、乐、哀、怒、惧、恶、惊”, 共含有情绪词27 466个, 情感强度分为: 1, 3, 5, 7, 9这5档, 9表示强度最大, 1为强度最小。该资源从不同角度描述一个中文词汇或者短语, 包括词语词性种类、情感类别、情感强度及极性等信息。每个词在每一类情感下都对应一个极性。其中, 0代表中性, 1代表褒义, 2代表贬义, 3代表兼有褒贬两性。为了根据词汇的情感强度值计算微博的情感强度, 本文将褒义极性值不变, 贬义极性值取-1。并且根据情感强度和情感极性计算了每个词的情感值。这里采用最简单的方式计算了每个词的情感值，W = 强度值 * 极性值，（这里没有考虑辅助情感类别），有兴趣的可以将辅助情感类别也加进来。

由于词汇本题中的词汇是21个类别，需要根据他们的小类别将其汇总到大类别中，并且这里只应用了6个类别，好这个类别的词汇并没有使用。需要的可以自行去添加。

def get_label_data(path):
    """
    根据情感词汇本体返回相应的标签
    """
    sem_data = pd.read_excel(path)
    for i in range(sem_data.shape[0]):
        score = 0
        if sem_data.iloc[i,6] == 2:
            sem_data.iat[i,6] = -1
        if sem_data.iloc[i,9] == 2:
            sem_data.iat[i,9] = -1
        # 是否需要辅助情感分类，目前先不要啦
    #     if sem_data.iloc[i,8] >= 0:
    #         score += sem_data.iloc[i, 8] * sem_data.iloc[i, 9]
    #         print(score)
        # 增加每个词语的情感强度值
        score += sem_data.iloc[i,5] * sem_data.iloc[i,6]
        sem_data.iat[i, -1] = score
    
    # 定义情感字典
    match_dict = {
            "joy":["PA","PE"],
            "surprise":["PC"],
            "anger":["NA"],
            "sadness":["NB", "NJ", "NH", "PF"],
            "fear":["NI", "NC", "NG"],
            "disgust":["ND", "NE", "NN", "NK", "NL"],
             }
    # 获取情感类别
    label_dict = {}
    keys = match_dict.keys()
    for k in keys:
        word_dict = {}
        for i in range(sem_data.shape[0]):
            label = sem_data.iloc[i, 4]
            if label in match_dict[k]:
                word_dict[sem_data.iloc[i, 0]] = sem_data.iloc[i, -1]
        label_dict[k] = word_dict
    return label_dict
    
path = "data/情感词汇本体.xlsx"
label_dict_7_class = get_label_data(path)

3.模型构建

3.1 找出文本中的情感词，否定词和程度副词

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('data/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('data/notDict.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('data/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:
#         print(d)
        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

3.2 计算分数

规则：分数采用情感词的分数和计算

遍历所有的情感词，查看当前情感词的前面是否有否定词和程度副词，如果没有否定词，就对当前情感词乘以1，如果有否定词或者有多个否定词，可以乘以（-1）^否定词的个数；如果有程度副词，就在当前情感词前面乘以程度副词的程度等级。

伪代码如下：

finalSentiScore = (-1) ^ (num of notWords) * degreeNum * sentiScore
finalScore = sum(finalSentiScore)
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

3.3 计算每句话的分数

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

 3.4 返回文本的标签和预测值

这里简单的说一下，预测值采用累加和的形式，最后哪一个类别的分值越大就预测为哪个类别。其中会有负数的情况，将其求绝对值之后再进行比较。

def mul_classifier_7_class(content, label_dict):
    "根据新闻返回预测标签"
    scores = {}
    for k, v in label_dict.items():
        score = setiment_score_7_class(content, label_dict[k])
        scores[k] = score
    score_max = scores[max(scores, key=lambda x:abs(scores[x]))]

    if score_max == 0:
        return  "unknow", 0
    else:
        return max(scores, key=lambda x:abs(scores[x])), scores[max(scores, key=lambda x:abs(scores[x]))]

下面附上完整代码：

import pandas as pd
from collections import defaultdict
import os
import re
import jieba
import codecs
import pandas as pd

def get_label_data(path):
    """
    根据情感词汇本体返回相应的标签
    """
    sem_data = pd.read_excel(path)
    for i in range(sem_data.shape[0]):
        score = 0
        if sem_data.iloc[i,6] == 2:
            sem_data.iat[i,6] = -1
        if sem_data.iloc[i,9] == 2:
            sem_data.iat[i,9] = -1
        # 是否需要辅助情感分类，目前先不要啦
    #     if sem_data.iloc[i,8] >= 0:
    #         score += sem_data.iloc[i, 8] * sem_data.iloc[i, 9]
    #         print(score)
        # 增加每个词语的情感强度值
        score += sem_data.iloc[i,5] * sem_data.iloc[i,6]
        sem_data.iat[i, -1] = score
    
    # 定义情感字典
    match_dict = {
            "joy":["PA","PE"],
            "surprise":["PC"],
            "anger":["NA"],
            "sadness":["NB", "NJ", "NH", "PF"],
            "fear":["NI", "NC", "NG"],
            "disgust":["ND", "NE", "NN", "NK", "NL"],
             }
    # 获取情感类别
    label_dict = {}
    keys = match_dict.keys()
    for k in keys:
        word_dict = {}
        for i in range(sem_data.shape[0]):
            label = sem_data.iloc[i, 4]
            if label in match_dict[k]:
                word_dict[sem_data.iloc[i, 0]] = sem_data.iloc[i, -1]
        label_dict[k] = word_dict
    return label_dict
    
path = "data/情感词汇本体.xlsx"
label_dict_7_class = get_label_data(path)

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('data/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_7_class(word_dict, sen_dict):
    """词语分类,找出情感词、否定词、程度副词"""

    # 读取否定词文件
    not_word_file = open('data/notDict.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('data/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:
#         print(d)
        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]
    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_7_class(sententce, sen_word):
    # 1.对文档分词
    seg_list = seg_word(sententce)
#     print(seg_list)
#     print(seg_list)
    # 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_7_class(list_to_dict(seg_list), sen_word)
#     # 3.计算得分
    score = socre_sentiment(sen_word, not_word, degree_word, seg_list)
    return score
 
def mul_classifier_7_class(content, label_dict):
    "根据新闻返回预测标签"
    scores = {}
    for k, v in label_dict.items():
        score = setiment_score_7_class(content, label_dict[k])
        scores[k] = score
    score_max = scores[max(scores, key=lambda x:abs(scores[x]))]

    if score_max == 0:
        return  "unknow", 0
    else:
        return max(scores, key=lambda x:abs(scores[x])), scores[max(scores, key=lambda x:abs(scores[x]))]

先写这么多，后期优化的再补充。

Reference:

https://blog.csdn.net/cjjwwss/article/details/79953397

https://blog.csdn.net/lom9357bye/article/details/79058946

参考论文：http://manu44.magtech.com.cn/Jwk_infotech_wk3/article/2017/2096-3467/2096-3467-1-7-61.shtml

qq_1096260969
关注
  • 18
    点赞
  • 踩
  • 169
    收藏
    觉得还不错? 一键收藏
  • 19
    评论
专栏目录
《学术小白的学习之路 02》情感分析02 之基于大连理工情感词典的情感分析和情绪计算
当回首往事的时候，不会因虚度年华而悔恨，也不会因碌碌无为而羞愧。
09-10 3810
本文主要是学习参考杨秀璋老师的博客 原文链接 文章目录书山有路勤为径，学海无涯苦作舟原文链接1.大连理工情感词典 书山有路勤为径，学海无涯苦作舟 原文链接 原文链接 1.大连理工情感词典 情感的研究：情感分析 以及 情感的分类 情感分析的主要流程： 1）获取语料数据 2）对语料进行分词，标注词性 3）定义情感词典提取文本的情感吃 4）构建情感矩阵，计算情感分数 5）结果的评估 大致流程： 目前中国成熟的情感词典： 大连理工大学情感词汇本体库 知网的HowNet情感词典 TW大学中文情感极性情感词典
基于Python实现利用情感词典做情感分析
05-29
【作品名称】：基于Python实现利用情感词典做情感分析 【适用人群】：适用于希望学习不同技术领域的小白或进阶学习者。可作为毕设项目、课程设计、大作业、工程实训或初期项目立项。 【项目介绍】： 注：此情感词典经过由新闻语料训练的word2vec进行扩充，并且识别了句子中的强调词以及否定词 使用方法： 将待处理的文件放入raw_data文件夹，调用脚本时输入要处理的文件名，需要处理的列，输出的文件名即可，脚本会自动在raw_data下生成一个output文件夹用于存放处理结果 python3 Jeffmxh_sentiment_analyse.py -i 'infile' -c 'column' -n 16 参数说明： -i或--inpath：输入excel文件的名称 -c或--column：输入数据要处理的列明 -n或--ncores：处理是并行的线程数
基于词典的情感分析实验
影修
03-28 4874
基于词典的情感分析实验 做了下初步实验，因为现在还是有点蒙，所以决定先写初稿理理思路。 数据说明 实验数据来源于各大平台五台山景区游记评论 词典说明 清华大学——李军中文褒贬义词典 台湾大学NTUSD 知网Hownet 常用停用词 中文情感词汇本体库 中文情感词汇本体 中文情感词汇本体库是大连理工大学信息检索研究室在林鸿飞教授的指导下经过全体教研室成员的努力整理和标注的一个中文本体资源。该资源从不同角度描述一个中文词汇或者短语，包括词语词性种类、情感类别、情感强度及极性等信息。 中文情感词汇本
NLP--情感词典
最新发布
weixin_53389235的博客
05-31 498
缺点：依赖于情感词典的构建，对于新出现的网络词效果不好，需要不断扩充才能满足需要。在跨领域和跨语言效果不是很理想。考虑不到上下文之间的语义关系。优点：基于词典和规则的模式可以随时添加和删除词语和规则，在情感词覆盖率和准确率高的情况下，情感分类效果比较准确。1.建立积极情感词典，消极情感词典，程度词词典和否定词词典。4.输出最后的积极情感分值，消极情感分值和情感总分值。3.遍历分词后的文本列表。2.调用jieba进行分词。
自然语言处理相关工具调研
像风一样自由的博客
04-26 2746
自然语言处理基础工具调研 一 词典 HowNet HowNet（知网情感词典）是董振东先生、董强先生父子毕三十年之功标注的大型语言知识库，主要面向中文（也包括英文）的词汇与概念。 该词典主要分为中文和英文两部分，共包含如下数据： 语言 中文 英文 正面评价词语 3730个 ...
大连理工大学中文情感词汇本体库
02-11
大连理工大学中文情感词汇本体库
用python实现基于情感词典的情感分析
12-12
总之，基于情感词典的情感分析是Python中实现情感分析的一种常见方法。通过合理的预处理、词典应用和情感得分计算，我们可以对文本进行有效的情感挖掘，为决策提供有价值的信息。在实际操作中，根据具体需求不断优化...
python实现基于词典的文本情感分析.zip
11-08
在这个项目中，“python实现基于词典的文本情感分析”是一个实例，它展示了如何利用Python来执行情感分析，特别是通过使用词典方法。这种方法依赖于预定义的情感词典，其中包含了具有正面或负面情感倾向的词汇。 ...
Python基于情感词典和机器学习对新闻和微博评论的情感分析源码+项目说明+数据集+代码注释.zip
07-21
Python基于情感词典和机器学习对新闻和微博评论的情感分析源码+项目说明+数据集+代码注释.zip 该资源内项目源码是个人的毕设，代码都测试ok，都是运行成功后才上传资源，答辩评审平均分达到94.5分，放心下载使用！ ...
代码分享：基于python的文字识别和情感分析系统
04-08
一、本资源是一个基于Python的文字识别和情感分析系统，旨在为用户提供一套完整、高效的文本处理解决方案。该系统结合了文字识别技术和情感分析算法，能够自动从图片中提取文本信息，并对其进行深入的情感分析，从而...
大连理工大学的DUTIR情感词典
06-14
大连理工大学的DUTIR情感词典
大连理工大学情感词汇本体库
04-17
提供情感极性、程度等先验知识。词典中每个情感词都被分为正向、负向、中性三个情感极性，并具有从0到10等不同大小的情感程度，且分为七个情感大类（乐、好、怒、哀、惧、恶、惊）和21个小类。
NTUSD情感词典+知网HowNet+大连理工DUTIR+清华褒贬义
12-04
用于无监督分类的各种情感词典汇总，包括台大NTUSD，知网HowNet,清华大学褒贬义词典，大连理工大学情感词汇本体库DUTIR等等，附赠京东评论数据集
中文情感词汇本体.txt
12-03
中文情感词汇本体库是大连理工大学信息检索研究室在林鸿飞教授的指导下经过全体教研室成员的努力整理和标注的一个中文本体资源。该资源从不同角度描述一个中文词汇或者短语，包括词语词性种类、情感类别、情感强度及极性等信息。 中文情感词汇本体的情感分类体系是在国外比较有影响的Ekman的6大类情感分类体系的基础上构建的。在Ekman的基础上，词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感共分为7大类21小类。 构造该资源的宗旨是在情感计算领域，为中文文本情感分析和倾向性分析提供一个便捷可靠的辅助手段。中文情感词汇本体可以用于解决多类别情感分类的问题，同时也可以用于解决一般的倾向性分析的问题。 本体格式介绍 情感词汇本体中，一般的格式为。 表1 情感词汇本体格式举例 词语 词性种类 词义数 词义序号 情感分类 强度 极性 辅助情感分类 强度 极性 无所畏惧 idiom 1 1 PH 7 1 手头紧 idiom 1 1 NE 7 0 周到 adj 1 1 PH 5 1 言过其实 idiom 1 1 NN 5 2
大连理工情感词典
11-27
情感词典 大连理工 execl词典
【项目实战】Python实现基于LDA主题模型进行电商产品评论数据情感分析
02-14
《Python实现基于LDA主题模型进行电商产品评论数据情感分析》 该项目实战旨在利用Python编程语言，结合LDA（Latent Dirichlet Allocation）主题模型，对电商产品评论数据进行深度的情感分析。LDA是一种无监督机器...
基于情感词典的网络文本情感倾向分类模型
kutalx的博客
04-05 2859
目录一 一
依存句法分析：原理、应用
热门推荐
ClaireWJQ的博客
11-23 1万+
本文内容为网友博客总结和项目应用心得体会  语言学中的一些概念 词法：词汇构成、变化和使用规则。 句法：句子的各个组成部分的排列以及相互关系，研究句子类型和句子成分。 语法：词法和句法合称为语法。 词性（词类）：词的类型。具有相同句法功能、能在同样的组合位置中出现的词，聚合成一个词类（词性）。 词义：词的内容，反映人们对客观事物特点的认识，包括词的“词汇意义”、词的 “语法意义”、词的...
python基于情感词典进行情感分析的代码
05-30
以下是一段基于情感词典的Python情感分析代码。使用情感词典可以将文本中的每个单词与情感极性相关联，然后计算每个单词的情感极性得分并对得分进行加权平均，从而得出整个文本的情感极性。 首先，需要下载并导入情感词典。这里使用的是NTUSD情感词典，可以从以下链接下载并解压缩： http://www.nlg.csie.ntu.edu.tw/nlpresource/NTUSD-Fin/NTUSD-Fin.zip 然后读取情感词典文件并将每个单词与情感极性相关联： ```python def read_sentiment_dict(filename): sentiment_dict = {} with open(filename, 'r', encoding='utf-8') as f: for line in f: tokens = line.strip().split('\t') word = tokens[0] sentiment = int(tokens[1]) sentiment_dict[word] = sentiment return sentiment_dict filename = 'NTUSD-Fin/NTUSD_positive_negative_simplified.txt' sentiment_dict = read_sentiment_dict(filename) ``` 接下来，可以定义一个函数来计算文本的情感极性得分。该函数将文本分成单词，并对每个单词计算情感极性得分，然后将得分进行加权平均： ```python def calculate_sentiment(text, sentiment_dict): words = text.split() sentiment_scores = [] for word in words: if word in sentiment_dict: sentiment_scores.append(sentiment_dict[word]) if len(sentiment_scores) > 0: sentiment_score = sum(sentiment_scores) / len(sentiment_scores) else: sentiment_score = 0 return sentiment_score ``` 最后，可以使用该函数来计算文本的情感极性得分，并根据得分来判断情感： ```python text = "I love this product, it's amazing!" sentiment_score = calculate_sentiment(text, sentiment_dict) if sentiment_score > 0: sentiment = 'Positive' elif sentiment_score == 0: sentiment = 'Neutral' else: sentiment = 'Negative' print(sentiment) ``` 完整代码： ```python def read_sentiment_dict(filename): sentiment_dict = {} with open(filename, 'r', encoding='utf-8') as f: for line in f: tokens = line.strip().split('\t') word = tokens[0] sentiment = int(tokens[1]) sentiment_dict[word] = sentiment return sentiment_dict def calculate_sentiment(text, sentiment_dict): words = text.split() sentiment_scores = [] for word in words: if word in sentiment_dict: sentiment_scores.append(sentiment_dict[word]) if len(sentiment_scores) > 0: sentiment_score = sum(sentiment_scores) / len(sentiment_scores) else: sentiment_score = 0 return sentiment_score filename = 'NTUSD-Fin/NTUSD_positive_negative_simplified.txt' sentiment_dict = read_sentiment_dict(filename) text = "I love this product, it's amazing!" sentiment_score = calculate_sentiment(text, sentiment_dict) if sentiment_score > 0: sentiment = 'Positive' elif sentiment_score == 0: sentiment = 'Neutral' else: sentiment = 'Negative' print(sentiment) ```
评论 19
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值