关于《流浪地球》炸裂的口碑，机器学习竟然是这样评价的————Python文本情感极性分析详解（上）

• NLP（神经语言程序学/自然语言学习）是当前机器学习领域一个重要的分支，就是用机器学习模型来理解处理人类的自然语言，并给出符合自然语言逻辑的反馈。
• 自然语言学习中具体的工作包括，教会程序用算法来正确地提取句子的主体成分（分词），判断句子的情感色彩（情感分析）等，并基于此实现文本分类，语言翻译，自动回复等更高级功能。
• 此文尝试建立多种NLP模型，并利用《流浪地球》影评评语作为样本数据进行训练，对比模型（情感词典模型，机器学习模型（词向量模型、MLP/多层感知机））之间的相同和差异。

一、 基于情感词典的文本情感极性分析

• 通过情感打分的方式进行文本情感极性判断。
• score > 0判断为正向，score < 0判断为负向。

1、数据准备

备用情感分析文档

• 常用情感词典：词典来源于BosonNLP数据下载的情感词典 BosonNLP_sentiment_score.txt
• 否定词词典，（自己手动构建）构建常见否定词词典 negwords_70.txt
• 程度副词词典：《知网》情感分析用词语集（beta版）（自己手动为词打分）degreeDict.txt
• 中文停用词 stopwords_1208.txt

情感分析词文档可以去各自专业网站下载

• 为统一文件的读取格式，所有文件均已用utf-8编码格式存储

程度副词词典打分（手动添加）标准：

• “极其|extreme / 最|most”级别 —2.00
• “很|very”级别 — 1.75
• “较|more”级别 — 1.50
• “稍|-ish”级别 — 1.20
• “欠|insufficiently”级别 — 0.50
• “超|over”级别 — -1.00

# 读取样本数据信息,流浪地球_影评01.txt为随机抽取的样本
sens = []
with open('流浪地球_影评01.txt','r',
          encoding='utf-8-sig') as f:
    datas = f.readlines()
    for data in datas:
        sen = data.strip()
        sens.append(sen)
print(len(sens))

# 获取停用词列表
with open('files/stopwords_1208.txt','r',
          encoding='utf-8-sig') as f:
   stopwords = f.readlines()
print(len(stopwords))

2、数据获取与清洗

• 获取电影影评文件
• 获取停用词文件
• 详细代码参见《267019条猫眼数据加持，原来你是这样的<流浪地球>
• ——python数据分析全流程代码实现！（一）》 数据清洗部分
• github源代码地址：https://github.com/Willsgao/Personal-projects

# 定义句子分词函数
def sent2word(sentence,stopwords):
    # 句子分词处理
    segList = jieba.cut(sentence)
    words = []
    for word in segList:
        if word not in stopwords:
            words.append(word) 
    return words

3、构建情感词典模型

3.1 将词语进行分类和定位

# 导入中文分词相关工具包
from collections import defaultdict
import os, re, codecs
import jieba
import matplotlib.pyplot as mp

# 构建分词分类模型（情感定位）
def classifyWords(words): 
    # (1) 情感词,备用情感词文件存储在files文件夹里
    senDict = defaultdict()
    with open('files/BosonNLP_sentiment_score.txt', 'r', 
              encoding='utf-8-sig') as f:
        senList = f.readlines()
    # 用评语和评分标签（二分）构建字典
    for st in senList:
        sen = st.strip().split(' ')
        if len(sen) <2:
            continue
        senDict[sen[0]] = sen[1]
    
    # (2) 否定词,files[1]为备用否定词文件名
    with open('files/negwords_70.txt', 'r',
              encoding='utf-8-sig') as f:
        negLists = f.readlines()
        # 否定词处理
        negList = []
        for neg in negLists:
            neg = neg.strip()
            if not neg:
                continue
            negList.append(neg)

    # (3) 程度副词,files[2]为备用程度副词文件名
    with open('files/degreeDict.txt','r',
              encoding='utf-8-sig') as f:
        degreeList = f.readlines()
    degreeDict = defaultdict()
    for dg in degreeList:
        degree = dg.strip().split('\t')
        degreeDict[degree[0]] = degree[1]

    
    # 情感词处理
    senWord = defaultdict()
    negWord = defaultdict()
    degreeWord = defaultdict()
    
    # 细化分词的词性感情色彩特征
    for idx,wd in enumerate(words):
        if wd in senDict.keys() and wd not in\
        negList and wd not in degreeDict.keys():
            senWord[idx] = senDict[wd]
        elif wd in negList and wd not in degreeDict.keys():
            negWord[idx] = -1
        elif wd in degreeDict.keys():
            degreeWord[idx] = degreeDict[wd]
    
    return senWord, negWord, degreeWord

3.2 计算句子感情色彩得分

• 在此，简化的情感分数计算逻辑：所有情感词语组的分数之和
• 得分公式：单句最后得分sen_score = (-1)^(negWord数量)x(degreeWord数量)x(句子得分)
• 总分合计：final_score = sum(sen_score)

# 定义情感得分函数
def scoreSent(senWord, negWord, degreeWord, words):
    W = 1
    score = 0
    # 存储所有情感词位置的列表
    senLoc = list(senWord.keys())
    negLoc = list(negWord.keys())
    degreeLoc = list(degreeWord.keys())
    senloc = -1
    
    # 遍历句子中所有单词的segResult,i为单词的绝对位置
    for i in range(len(words)):
        # 如果该词为情感词
        if i in senLoc:
            # loc 为情感词位置列表的序号
            senloc += 1
            # 直接添加该情感词分数
            score += W * float(senWord[i])
            # print("score = %f"% score)
            if senloc < len(senLoc) - 1:
                # 判断该情感词与下一情感词之间是否存在否定词或程度副词
                # j为绝对位置
                for j in range(senLoc[senloc], senLoc[senloc+1]):
                    # 如果含有否定词
                    if j in negLoc:
                        W *= -1
                    # 如果含有程度副词
                    elif j in degreeLoc:
                        W *= float(degreeWord[j])
    return score

3.3 样本预处理

• 将样本数据进行预处理，满足格式要求

# 对样本进行分词处理
scores = []
for sentence in sens:
    words = sent2word(sentence,stopwords)
    senWord, negWord, degreeWord = \
    classifyWords(words)
    score = scoreSent(senWord, 
                      negWord, degreeWord, words)
    # 为排除句子长度（分词个数）对分值的影响，进行归一化处理
    score /= len(words)
    scores.append(score)
print(len(scores))

4、数据可视化

• 对坐标数据进行归一化处理
• 绘制趋势变化散点图

# 以得分作为纵坐标，顺序值作为横坐标画散点图
import numpy as np
x = []
y = []
scores = sorted(scores)
min_score = min(scores)
max_score = max(scores)
wid = max_score - min_score
for idx,score in enumerate(scores):
    x.append(idx)
    y.append(float((score-min_score)/wid))
x = np.array(x)
y = np.array(y)

# 可视化代码
mp.figure('Wardering Earth Sentiment Score', facecolor='lightgray')
mp.title('Wardering Earth Sentiment Score', fontsize=20)
mp.xlabel('x', fontsize=14)
mp.ylabel('y', fontsize=14)
ax = mp.gca()
ax.xaxis.set_minor_locator(
    mp.MultipleLocator(20))
ax.yaxis.set_minor_locator(
    mp.MultipleLocator())
ax.grid(which='major', axis='both', linewidth=0.5,
        linestyle='--', color='orangered')
mp.scatter(x, y, c='dodgerblue')
mp.show()

5、情感词典模型小结

• 1、两级的评价感情色彩比较强烈，尤其是夸赞一方；
• 即使经过归一化处理仍能看出与均值偏差加大。
• 2、受极值范围影响，主体评价部分评语得分较为和缓；
• 不能准确形象地反映总体观众对电影的评价结果。
• 3、对于正负向文本的判断，该算法忽略了很多其他的否定词、程度副词
• 和情感词搭配的情况；用于判断情感强弱也过于简单。
• 4、关于y轴得分与星级评价的关系需要结合具体业务分析，此处暂不处理。

该模型只能作为基础定性的评价模型

（未完待续……）
github源代码地址：
https://github.com/Willsgao/Personal-projects
参考网址：
https://www.jianshu.com/p/4cfcf1610a73
https://blog.csdn.net/chenpe32cp/article/details/77801600