基于机器学习的情感分析问题

基于机器学习的情感分析问题

weibo_senti_100k 数据集 说明

1. 数据概览： 10 万多条，带情感标注 新浪微博，正负向评论约各 5 万条
2. 推荐实验： 情感/观点/评论 倾向性分析
3. 数据来源： 新浪微博
4. 原数据集： 新浪微博，情感分析标记语料共12万条，
5. 加工处理：
   1. 将原来的 2 份文档，整合成 1 份 csv 文件
   2. 编码统一为 UTF-8
   3. 去重

加载数据

导入必要的库函数
import pandas
import numpy as np
import matplotlib.pyplot as plt
from time import time
import seaborn as sns
sns.set()
from sklearn import model_selection as MS

pd_all = pd.read_csv('weibo_senti_100k.csv')
print(f'评论数目（总体）：{pd_all.shape[0]}')
print(f'评论数目（正向）：{pd_all[pd_all.label==1].shape[0]}')
print(f'评论数目（负向）：{pd_all[pd_all.label==0].shape[0]}')

数据预处理

import re
#删除用户名
def delete_user(text):
    patt = re.compile(r'@.*?[：: ]')   #正则表达式匹配
    line = re.sub(patt,"",text)
    return line

#删除非必要字符的方法
def preprocessor(text):
    text = re.sub('<[^>]*>', '', text)
    emoticons = re.findall('(?::|;|=)(?:-)?(?:\)|\(|D|P)',
                           text)
    text = (re.sub('[\W]+', ' ', text.lower()) +
            ' '.join(emoticons).replace('-', ''))
    return text

#删除非中文字符
def remain_character(String):
    blog_new = u""
    for i in range(0,len(String)):
        if(String[i] >=u'\u4e00' and String[i]<=u'\u9fa5'):  #在中文范围内的保存
            blog_new = blog_new + String[i]
    return blog_new

pd_all['review'] = pd_all['review'].apply(delete_user)
pd_all['review'] = pd_all['review'].apply(preprocessor)
pd_all['review'] = pd_all['review'].apply(remain_character)

import jieba

#将所有的空格删去，方便分词
pd_all['review'] = pd_all['review'].str.replace(" ","")

测试分词后的效果

st = time()
word = jieba.cut(pd_all.loc[50000,'review'])
for i in word:
    print(i,end = ' ')
print()
print("耗时为：",time()-st)

马总说 你 太累 了 也 该 歇歇 嘞 哈哈
耗时为： 0.6213374137878418

对停用词的处理

#因为已经有了文件，为了节省时间，这个直接注释掉
#对停用词进行处理，并保存为npy文件
data = open('stop_words.txt','r').read()
words = jieba.cut(data)

data_words = []
for word in words:
    if word == '\n':
        continue
    data_words.append(word)

print(data_words)
data_np = np.array(data_words)
data_np.shape
np.save("stop_data",data_np)

导入提前处理好的停用词

stop_data = np.load('stop_data.npy')

stop_words = list(stop_data)

去除停用词

#这个比较费时
st = time()
#将所有的评论进行分词，放进words列表中
words = []   #最后存放结果的列表
for i, row in pd_all.iterrows():
    content = []        #保存当前那一行的内容
    tmp = jieba.cut(row['review'])    #对当前行进行分词
    for word in tmp:
        if word not in stop_words:   #如果不在停用词当中，就保存下来
            content.append(word)
    words.append(content)       #将当前行加入到总的当中
print("去除停用词耗时为：",time()-st,"秒")

这部分耗时了77秒。

接下来保存上面运行的结果，避免每次运行都要进行数据预处理

#将每一行合并，因为分词之后上述的words是一个二维列表，利用空格将它们合并起来
st = time()
word_all = []
for i in range(len(words)):
    hang = " ".join(words[i])   #用空格将它们串起来
    word_all.append(hang)

print("耗时为：",time()-st,'秒')

word_all_npy = np.save("word_all",word_all)

数据预处理到此就结束了
之后运行模型，只需要调用上述保存的数据即可

加载保存的数据

word_all_npy = np.load("word_all.npy")
word_all = list(word_all_npy)

文字转数字

通过建立词频矩阵构造特征变量

词袋(bag-of-words)模型

词袋模型（Bag-of-words model）是个在自然语言处理和信息检索(IR)下被简化的表达模型。此模型下，一段文本（比如一个句子或是一个文档）可以用一个装着这些词的袋子来表示，这种表示方式不考虑文法以及词的顺序。

• 使用机器学习算法解决文本数据分析问题，必需将文本数据转化为数字形式。

  可通过CountVectorizer的fit_transform方法构建词袋模型的词汇表，词汇表存储在Python字典，该字典将每个独立的单词映射为整数索引。

特征向量的每个索引位置对应于词汇存储在CountVectorizer字典项中的整数值。特征向量也被称为原词频率：tf(t，d) ，即 t 项在 d 文档中出现的次数。

通过词频-逆文本频率评估相关性

在分析文本数据时，经常会发现好的和坏的词在多个文档中出现。经常出现的单词基本上不包含有用或者判断性的信息。 词频-逆文本频率（tf-idf） 一算法，用于减少特征向量中频繁出现的词。tf-idf 可以定义为词频与逆反文档频率的乘积：

$$\text{tf-idf}(t,d)=\text{tf (t,d)}\times \text{idf}(t,d)$$

• tf(t, d) 词频 （term frequency）
• 逆文档频率 idf(t, d) 计算过程为:

$$\text{idf}(t,d)=\text{log}\frac{n_d}{1+\text{df}(d,t)},$$

这里 $n_d$ 是文档总数 ； df(d, t) 是包含单词 t 的文档数目.

或者通俗理解为：

        $\text{词频}(TF)=\frac{某个词在文章中的出现次数}{该文出现次数最多的词的出现次数}$

        $\text{逆文档频率}(IDF)=\text{log}(\frac{语料库的文档总数}{包含该词的文档数+1})$

为分母添加常数1为可选，目的在于为所有训练样本中出现的单词赋予非零值，用对数来确保低文档频率的权重不会过大。

可以看到，TF-IDF与一个词在文档中的出现次数成正比，与该词在整个语言中的出现次数成反比。

此外scikit-learn实现了另外一个转换器TfidfTransformer类，它以来自于CountVectorizer类，以原始词频为输入，然后转换为tf-idfs格式：

scikit-learn实现的逆文档频率计算公式如下：

$$\text{idf}(t,d)=log\frac{1+n_d}{1+\text{df}(d,t)}$$

在scikit-learn中计算tf-idf公式为：

$$\text{tf-idf}(t,d)=\text{tf}(t,d)\times (\text{idf}(t,d)+1)$$

在调用 TfidfTransformer 类直接归一化并计算tf-idf之前，归一化原始单词的词频更具代表性。定义默认参数 norm=‘l2’，用scikit-learn的
TfidfTransformer 进行L2归一化，返回长度为1的向量，

$$v_{\text{norm}}=\frac{v}{||v|{|}_2}=\frac{v}{\sqrt{v_1^2+v_2^2+\cdots +v_n^2}}=\frac{v}{({\sum }_{i=1}^n{v}_i^2{)}^{\frac{1}{2}}}$$

导入模型

#将之前所有的新闻标题进行文本向量化
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer

因为原数据量过于庞大，使得电脑无法运转
经过反复试验之后，发现max_features参数为120的时候效果最好

st = time()
model = CountVectorizer(max_features=120)

X = model.fit_transform(word_all)
X = X.toarray()
print("耗时为：",time()-st)

耗时为： 1.9630837440490723

st = time()
#Tfidf = TfidfVectorizer(min_df=20,max_df=25)
Tfidf = TfidfVectorizer(token_pattern=r"(?u)\b\w+\b", max_features=120, ngram_range=(1,2), stop_words=stop_words)
X2 = Tfidf.fit_transform(word_all)
X2 = X2.toarray()
print("耗时为：",time()-st)

耗时为： 7.643373489379883

原数据的特征如果不经筛选，会有20万之多，现在仅仅取其中出现频率最高的前120个

print(X2.shape) #此时的数据规模为(119988,120)

words_bag = Tfidf.get_feature_names()  # 第二种查看词袋的方法
data_all = pd.DataFrame(X2, columns=words_bag)
data_all.head()

观察上述运行结果可知，已经将用户名，数字，符号，英文都删除了。

将数据划分为训练数据和验证数据

st = time()
from sklearn.model_selection import train_test_split
Xtrain,Xtest,ytrain,ytest = train_test_split(data_all,pd_all['label'],test_size=0.3)

print("耗时为：",time()-st)

检查数据是否按照类别分类

print("训练数据中类别为1的比例为：",sum(ytrain)/ytrain.shape[0])
print("测试数据中类别为1的比例为：",sum(ytest)/ytest.shape[0])

训练数据中类别为1的比例为： 0.49955352359181343
测试数据中类别为1的比例为： 0.5010139733866711

至此，数据预处理部分全部结束，可以导入模型开始训练

利用模型进行语义分类

Logistic模型

st = time()
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression  #导入Logistic模型
LR = LogisticRegression(penalty='l2',C=1000)   #偏置设置为True，即有偏置
LR.fit(Xtrain,ytrain)                     #模型训练
pred_LR = LR.predict(Xtest)              #模型预测
print("logistic分类所花费的时间为：",time()-st,"秒")

print("accuracy_score = ",accuracy_score(ytest,pred_LR))   #分类准确率
print(metrics.classification_report(ytest,pred_LR))        #分类报告  

运行结果如下图

#ROC曲线的面积
y_score_LR= MS.cross_val_predict(LR,Xtest,ytest,cv=3)
metrics.roc_auc_score(ytest,y_score_LR)
#绘制出ROC曲线
metrics.plot_roc_curve(LR,Xtest,ytest)

ROC曲线的面积为0.907

Logistic模型调参

#网格搜索最佳参数
penaltys = ['l1','l2']   #罚函数的类型
Cs = [0.001, 0.01, 0.1, 1, 10, 100, 1000]   #惩罚系数
tuned_parameters = dict(penalty = penaltys, C = Cs)  #做成字典
 
lr_penalty= LogisticRegression()   #选择模型
#网格搜索模型初始化
grid_log= GridSearchCV(lr_penalty,  #模型
                   tuned_parameters,   #网格搜索的参数
                   cv=10,   #10折交叉验证
                   scoring='accuracy')    #用准确率作为得分


grid_log.fit(Xtrain,ytrain)
#网格搜索的结果
print("网格搜索的结果为：")
print(grid_log.cv_results_)
#网格搜索的最好得分
print("GridSearchCV的最好得分为：",grid_log.best_score_)
print("GridSearchCV的最好参数为：",grid_log.best_params_)

以分类准确率为得分的网格搜索，在logistic回归的准确率上，最高得分为0.91,相比默认参数提高了1个百分点

朴素贝叶斯模型

st = time()
from sklearn.naive_bayes import GaussianNB
clf = GaussianNB(var_smoothing  =  1e-06)
clf.fit(Xtrain,ytrain)                     #模型训练
pred_clf = clf.predict(Xtest) 
print(time()-st)
print("accuracy_score = ",accuracy_score(ytest,pred_clf))   #分类准确率
print(metrics.classification_report(ytest,pred_clf))        #分类报告  

绘制ROC曲线及计算ROC曲线面积

#绘制出ROC曲线
metrics.plot_roc_curve(clf,Xtest,ytest)

#ROC曲线的面积
y_score_clf = MS.cross_val_predict(clf,Xtest,ytest,cv=3)
metrics.roc_auc_score(ytest,y_score_clf)

ROC曲线的面积为0.865

朴素贝叶斯调参

# 调参 GNB
param_grid ={}
param_grid['var_smoothing'] = [1e-5,1e-6,1e-7,1e-8,1e-9]
model = GaussianNB()
grid_GNB = GridSearchCV(estimator= model, param_grid = param_grid, scoring='accuracy', cv=10)
grid_GNB.fit(Xtrain,ytrain)
#网格搜索的结果
print("网格搜索的结果为：")
print(grid_GNB.cv_results_)
#网格搜索的最好得分
print("GridSearchCV的最好得分为：",grid_GNB.best_score_)
print("GridSearchCV的最好参数为：",grid_GNB.best_params_)

随机森林模型

st = time()
from sklearn.ensemble import RandomForestClassifier  #导入随机森林模型
RFC = RandomForestClassifier(n_estimators=100,max_depth=9,min_samples_leaf=10,min_samples_split=140,max_features=9)   #模型初始化：树的个数为100
RFC.fit(Xtrain,ytrain)          #模型训练
ypred_RFC = RFC.predict(Xtest)   #模型预测
print(time()-st)

print("accuracy_score = ",accuracy_score(ytest,ypred_RFC))
print(metrics.classification_report(ytest,ypred_RFC))

#绘制出ROC曲线
metrics.plot_roc_curve(RFC,Xtest,ytest)
#ROC曲线的面积
y_score_RFC = MS.cross_val_predict(RFC,Xtest,ytest,cv=3)
metrics.roc_auc_score(ytest,y_score_RFC)

ROC曲线面积为0.905

随机森林模型调参

#首先对n_estimators进行网格搜索：
param_test1 = {'n_estimators':[50,100,150,200]}  
gsearch1 = GridSearchCV(estimator = RandomForestClassifier(min_samples_split=100,
                                                            min_samples_leaf=20,
                                                            max_depth=8,  #最大深度
                                                            max_features='sqrt',random_state=10,n_jobs=-1), 
                        param_grid = param_test1, 
                        scoring='accuracy',
                        cv=5)
gsearch1.fit(Xtrain,ytrain)
#最佳参数，最佳得分
print(gsearch1.best_params_,  gsearch1.best_score_)

{‘n_estimators’: 150} 0.9068233201590468

#接着对决策树最大深度max_depth进行网格搜索。
param_test2 = {'max_depth':[3,5,7,9]}
gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators=200, min_samples_split=100,
                                  min_samples_leaf=20,max_features='sqrt' ,oob_score=True, random_state=10,n_jobs=-1),
                        param_grid = param_test2,
                        scoring='accuracy',
                        cv=5)
gsearch2.fit(Xtrain,ytrain)
print( gsearch2.best_params_, gsearch2.best_score_)

{‘max_depth’: 9} 0.9072638374535147

#下面再对内部节点再划分所需最小样本数min_samples_split和叶子节点最少样本数min_samples_leaf一起调参。
param_test3 = {'min_samples_split':[80,100,120,140],'min_samples_leaf':[10,20,30,40,50]}
gsearch3 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 200, max_depth=11,
                                  max_features='sqrt' ,oob_score=True, random_state=10,n_jobs=-1),
                        param_grid = param_test3,
                        scoring='accuracy',
                        cv=5)
gsearch3.fit(Xtrain,ytrain)
print( gsearch3.best_params_, gsearch3.best_score_)

{‘min_samples_leaf’: 10, ‘min_samples_split’: 120} 0.9088354403646666

#最后再对最大特征数max_features做调参:
param_test4 = {'max_features':[3,5,7,9]}
gsearch4 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 200, max_depth=11, min_samples_split=80,
                                  min_samples_leaf=10 ,oob_score=True, random_state=10,n_jobs=-1),
                        param_grid = param_test4, 
                        scoring='accuracy',
                        cv=5)
gsearch4.fit(Xtrain,ytrain)
print( gsearch4.best_params_, gsearch4.best_score_)

{‘max_features’: 9} 0.9083472990617139

综上可得出结论：
经过数据预处理之后
随机森林 语义分类最优，其次是Logistic回归分类准确率，朴素贝叶斯分类准确率最低

以上仅仅是提取出现频率最高的前120个中文词汇进行语义分类的结果，主要还是由于个人电脑的内存原因，无法提取更多特征
理论上，如果能够提取更多的特征，分类准确率会有明显的提高
但是本文的研究方向主要是区分正向评论和负向评论，从词义的角度来看，一句话中仅仅有部分的词汇能够表明该评论是正向的还是负向的，如果数据量足够大，如本文中，12万的评论数据，那么一些能够体现评论种类的词语出现频率会非常高，因此这解释了为什么只取前120个词汇的分类准确率就可以达到90%的原因了

利用logistic模型来测试一下最高频率词汇数量与分类准确率的关系

vectors = [10,20,30,40,50,60,70,80,90,100,110,120]

from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.linear_model import LogisticRegression  #导入Logistic模型

def calcu(feature):
    model = CountVectorizer(max_features=feature)

    X = model.fit_transform(word_all)
    X = X.toarray()

    words_bag = model.get_feature_names() 
    data_all = pd.DataFrame(X, columns=words_bag)
    data_all.head()

    Xtrain,Xtest,ytrain,ytest = train_test_split(data_all,pd_all['label'],test_size=0.3)

    LR = LogisticRegression(penalty='l2',C=1000)   #偏置设置为True，即有偏置
    LR.fit(Xtrain,ytrain)                     #模型训练
    pred_LR = LR.predict(Xtest)              #模型预测
    print("特征数为：",feature,"时logistic分类所花费的时间为：",time()-st,"秒")

    return accuracy_score(ytest,pred_LR)   #分类准确率

from sklearn.feature_extraction.text import CountVectorizer
from sklearn.feature_extraction.text import TfidfVectorizer
accuracy = []
st = time()
for feature in vectors:
    accuracy.append(calcu(feature))
    
plt.plot(vectors,accuracy)
plt.xlabel("the number of high frequency words")
plt.ylabel("classification accuracy")

因此本文所选取的最高频率词汇数量具有一定的可取性。