基于Cemotion的在线评论情感分析及准确率验证（准确率：96%）

最新推荐文章于 2024-04-23 21:54:08 发布
原创 最新推荐文章于 2024-04-23 21:54:08 发布 · 4.4k 阅读 · 47 ·
CC 4.0 BY-SA版权
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。
文章标签：

#python #自然语言处理 #数据挖掘

本文介绍了Cemotion库在情感分析中的应用，其高准确率96%超越SnowNLP，但运行速度较慢。通过实测京东评论，展示Cemotion的安装与使用方法，以及如何利用其进行大规模情感分析。

前段时间找到了Cemotion这个NLP第三方库，发现它准确率高的惊人，Cemotion算法的优点在于准确率高、调用方便，缺点是运行较慢（相比其他NPL算法）、环境配置（自动安装TensorFlow环境，对python版本有要求）

目录

前言

一、Cemotion库的安装

1.Pycharm安装法

 2.pip安装方法

二、验证Cemotion情感分析准确率

1.加载库并实例化

2.读取评论文本数据

3.进行Cemotion情感值预测

4.验证准确率

三、Cemotion实际情感分析

1.加载库&设置开始计时器&读取数据

2.定义函数&批量处理所有的评论信息

3.输出excel&计时输出

总结
​​​​

前言

介绍一下，Cemotion同Snownlp等NLP算法一样可以在Python中实现，主要拿来用于中文情感倾向分析，可以说是很专注了。Cemotion的模型原理是基于循环神经网络训练，会为中文文本返回 0～1之间的情感倾向置信度，当我们调用Cemotion库的时候会自动安装TensorFlow环境,是Google的开源深度学习框架，里边有大量的中文训练集-big_Chinese_Words_Map.dict。

在本文中，将重点介绍Cemotion中的情感分析，python版本：3.68，Cemotion版本：0.3.3，供大家参考。

一、Cemotion库的安装

1.Pycharm安装法

文件菜单栏中点击设置，然后选择项目中的解释器，点击“+”号按钮输入Cemotion即可查询下载，现在最新版本应该是0.3.3。

 2.pip安装方法

也可在终端pip下载：

pip install snownlp

二、验证Cemotion情感分析准确率

首先还是准备一下测试数据，这次我从京东采集了130条赣南脐橙的在线评论文本，然后人工标注每条评论的情感正负性，情感正负性就是指该条评论代表了评论者的何种态度，其中-1表示贬义，1表示褒义。以下是样例：

 ​​​

 

最低0.47元/天 解锁文章
Python-在线文本情感分析实验
影修
06-20 740
''' 每次处理两百 ''' import jieba # 分词 import re # 过滤特殊字符 import numpy as np # 辅助处理 import pandas as pd # 处理 import emoji # 过滤表情 import jieba.analyse # 分级级别权重 import imageio # 图片 import jieba.posseg as pseg # 词性标注 from wordcloud import WordCloud # 词云 im
Cemotion情感分析
ITLiu的博客
11-27 1892
Cemotion文本情感分析
使用机器学习的方法对于在线评论进行情感分析
Reyiiiin的深夜一点半
03-13 4956
本项目的目的是：通过运用机器学习的方法，设计在线评论的情感分析模型，并且分析其效果。分为如下几个部分： 目录 1、在线评论情感分析系统的简单介绍 2、特征工程 3、所采用的机器学习方法 4、测试分析 5、结论 1、在线评论情感分析系统的简单介绍 本篇研究的内容是通过机器学习方法来研究文本评论内容中的情感倾向性。众所周知，网络中的评论是非常重要的，但是它的量很大，所以大部分评...
YiqiangXu的博客
05-27 1045
基于情感词典的文本情感分类 传统的基于情感词典的文本情感分类，是对人的记忆和判断思维的最简单的模拟，如上图。我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语有“讨厌”、“恨”等，从而在大脑中形成一个基本的语料库。然后，我们再对输入的句子进行最直接的拆分，看看我们所记忆的词汇表中是否存在相应的词语，然后根据这个词语的类别来判断情感，比如“
文本分类之情感分析– 准确率和召回率
热门推荐
三分地
07-19 2万+
Accuracy不是评估分类器的有效性的唯一度量。另外两个有用的指标是precision和recall。这两个度量可提供二元分类器的性能特征的更多视角。 分类器的 Precision Precision度量一个分类器的正确性。较高的精确度意味着更少的误报，而较低精度意味着更多的误报。这是经常与recall相反，作为一种简单的方法来提高精度，以减少召回。 分类器的 Re
Cemotion 基于NLP的 中文情感倾向分析库
weixin_45063926的博客
02-20 1582
GitHub链接 https://github.com/Cyberbolt/Cemotion Cemotion是Python下的中文NLP库，可以进行 中文情感倾向分析。 Cemotion的模型经循环神经网络训练得到，会为 中文文本 返回 0～1之间的 情感倾向置信度。您可以批量分析中文文本的情感，并部署至Linux、Mac OS、Windows等生产环境中，无需关注内部原理。 该模块依赖于TensorFlow环境（会自动安装），较老的机器可能无法运行。 安装方法 1.进入命令窗口，创建虚拟环境，
毕设新项目-基于BERT的中文情感倾向分析python源码+项目运行说明.zip
01-10
基于BERT的中文情感倾向分析python源码+项目运行说明.zip Python下的中文 NLP 库，可以进行中文情感倾向分析。 Cemotion 2.0 模型使用 BERT (Bidirectional Encoder Representations from Transformers) 训练得到，...
基于BERT的中文情感倾向分析和中文文本分类系统源码+说明文档.zip
06-27
基于BERT的中文情感倾向分析和中文文本分类系统源码+说明文档.zip 【资源说明】 Cemotion 是 Python 下的中文 NLP 库，可以进行中文情感倾向分析。 Cemotion 2.0 模型使用 BERT (Bidirectional Encoder ...
Sentiment分析app评论情感
qq_34739497的博客
05-15 3471
前言 SentiStrength软件作为情感分析常用的程序应用能自动情绪分析每秒最多16,000个社交网络文本，英语水平准确度达到最高 - 其他语言可用或轻松添加。这篇文章作为Sentiment使用说明文档入门，方便大家使用。 SentiStrength报告了两种情绪优势： -1（非负）到-5（非常负） 1（非正）至5（非常积极） 实验操作 下载 直接输入邮件下载即可，最后得到Sentime...
语义分析在情感分析中：如何提高情感判断的准确性
AI天才研究院
12-31 1694
1.背景介绍 情感分析(Sentiment Analysis)是自然语言处理(NLP)领域中的一个重要研究方向，其主要目标是根据文本内容判断作者的情感倾向。随着互联网的普及和社交媒体的兴起，情感分析的应用场景不断拓展，包括产品评价、品牌形象、政治公众意见等。然而，情感分析的准确性仍然是一个挑战，因为人类的情感表达复杂多变，容易受到语境、文化、个人背景等因素的影响。 为了提高情感分析的准确性，本...
微博评论情感分析（NLP，LSTM）
qq_44886972的博客
05-06 2万+
主要工作就是通过对120000条微博评论的数据集训练模型，预测评论的情绪倾向，将情绪结果简单的分为积极情绪和消极情绪。虽然在训练集和测试集上表现的不错，但是经过自己的手动测试发现效果不太好。原因应该是数据集的数据质量不高，没有做数据清洗（后续可以尝试）其中的很多评论会掺杂很多一些符号表情的代码和@符号。尽管如此，本文的代码是可以套用到别的数据集中的，如果有需要可以使用自制数据集获得更好的模型。希望本文的整套流程可以为朋友们带来一些帮助。PS：全篇实现过程全部为套用别的文章，如有雷同，算我抄袭。
情感分析之——电商产品评论数据
qq_38384924的博客
09-03 1万+
1、数据挖掘目标 对京东平台上的热水器评论进行文本挖掘分析，数据挖掘建模目标如下： （1）、分析某一品牌热水器的用户情感倾向。 （2）、从评论文本中挖掘出该品牌热水器的优点与不足。 （3）、提炼不同品牌热水器的卖点。 2、分析方法及过程 本次建模针对京东商城上“美的”品牌热水器的消费者评论数据，在对文本进行基本的机器预处理、中文分词、停用词过滤，然后通过建立包括栈式自编码深度学习、语义网络与LDA...
豆瓣电影评论情感分析（含代码+数据）
苦行僧
04-16 8891
通过分析豆瓣用户电影评论数据，来对不同国家在不同时间内的电影进行情感分析，并通过云图及直方图进行效果展示。
基于SnowNLP的购物评论文本情感分析及准确率验证
尹煜的博客
03-10 9401
因写论文涉及到SnowNLP情感分析的内容，于是对该内容进行了学习，但发现网上的资源发布更新不及时，大多数文章均发布于18年及以前。由于PyCharm版本的迭代，使得以往的资源代码有所出入，因此我对于SnowNLP情感分析及准确率验证代码进行了修正更新，结合实例形式（由于是excel用到Pandas）分析了Python使用中文文本挖掘库SnowNLP操作中文文本进行感情分析的相关实现技巧与注意事项，需要的朋友可以参考下。
深度学习之情感分析
leva的博客
08-16 1729
基本上，GloVe提供了一套预训练的词嵌入流程，我们会使用60亿词和100维的数据训练的GloVe，即glove.6B.100d.txt。情感分析基本上是用于识别并分类一段文本或语料库中所表达的情感的一种方法，为了确定他人对特定主题、产品等的态度是积极的、消极的还是中立的，使用NLP对应地将文档分类为正面、中性或负面。随着技术对企业的进步起着越来越重要的作用，情感分析正成为各种商业案例中的常用工具，企业使用情绪分析技术得到客户对企业业务、产品和相关主题的感受。最后，在给定文档中对神经网络的性能进行评估。..
电商评论情感分类-基于CNN-Pytorch
AndersonHuang的博客
10-26 317
电商评论情感分类-基于CNN-Pytorch
大数据毕业设计：商品评论数据情感分析系统 可视化 snownlp情感分析 机器学习 Django框架（源码） ✅
q_3375686806的博客
01-21 2589
大数据毕业设计：商品评论数据情感分析系统 可视化 snownlp情感分析 机器学习 Django框架（源码） ✅
在线文本分析可视化工具网站——词云图、情感分析、词频统计
最新发布
weixin_64248111的博客
04-23 8097
文本是人类知识的重要载体，也是最广泛存在和最容易获取的数据类型。文本分析是一种通过对文本数据进行处理和分析来提取有用信息的技术。它可以应用于多种领域，包括自然语言处理、数据挖掘、情感分析等。在线可视化平台比较方便，因为都是一键化的。但是要想达到自己定制化的效果需要费一番心思，还是要具备一些编程能力。t=N7T8NLPIR在线演示平台https://online.lingjoin.com/#/
手把手教您如何实现英文文本的情感分析-准确度高达82%-98%（新手必看项目）
weixin_46295292的博客
01-20 2215
数据集为英文文本数据，其中Label为其情感标签，正负类样本各有12500个。总计样本数量为两万五千条。
cemotion情感分析代码
09-06
### 回答1： 以下是使用Python和PyTorch实现的基于CSDN开发的CEmotions情感分析代码： ```python import torch import torch.nn as nn import torch.nn.functional as F import jieba # 定义模型 class CEmotions(nn.Module): def __init__(self, vocab_size, embedding_dim, hidden_dim, num_classes): super(CEmotions, self).__init__() self.embedding = nn.Embedding(vocab_size, embedding_dim) self.lstm = nn.LSTM(embedding_dim, hidden_dim, batch_first=True) self.fc = nn.Linear(hidden_dim, num_classes) def forward(self, x): x = self.embedding(x) out, _ = self.lstm(x) out = out[:, -1, :] out = self.fc(out) return out # 加载词典 vocab_path = 'vocab.txt' with open(vocab_path, 'r', encoding='utf-8') as f: word2id = {w.strip(): i for i, w in enumerate(f.readlines())} # 加载模型 model_path = 'model.pth' model = CEmotions(len(word2id), 128, 128, 7) model.load_state_dict(torch.load(model_path, map_location=torch.device('cpu'))) model.eval() # 定义情感类别 label2word = { 0: '喜悦', 1: '愤怒', 2: '厌恶', 3: '低落', 4: '恐惧', 5: '悲伤', 6: '惊讶' } # 定义情感分析函数 def predict_emotion(text): # 分词 words = [w for w in jieba.cut(text) if w.strip()] # 转换为id序列 x = torch.LongTensor([word2id.get(w, 0) for w in words]).unsqueeze(0) # 预测情感类别 with torch.no_grad(): y = model(x) y = F.softmax(y, dim=1) prob, label = torch.max(y, dim=1) label = label.item() return label2word[label], prob.item() ``` 使用该代码进行情感分析的示例： ```python text = '今天考试没考好，心情很低落。' emotion, prob = predict_emotion(text) print('文本：', text) print('情感类别：', emotion) print('概率：', prob) ``` 输出结果： ``` 文本： 今天考试没考好，心情很低落。 情感类别： 低落 概率： 0.8943821787834167 ``` ### 回答2： cemotion情感分析代码是一种用于分析文本情感表达的计算机程序。它可以通过对文本进行处理和分析，自动判断文本所包含的情感倾向，例如喜欢、厌恶、愤怒、悲伤等。该代码可以帮助用户快速了解一段文本所传达的情绪，并提供数据支持，辅助用户做出相应决策。 cemotion情感分析代码的实现主要依赖于自然语言处理（NLP）技术和机器学习算法。在代码中，首先需要对输入的文本进行预处理，包括分词、去除停用词等。然后使用机器学习模型，如朴素贝叶斯分类器、支持向量机等，对预处理后的文本进行情感分类。模型的训练过程通常需要提前准备好标注好情感的训练数据集。 由于情感分析是一个主观性较强的任务，不同的人对于同一段文本可能有不同的情感理解，所以在代码中还可以根据具体应用场景进行参数调优或者使用不同的模型来提高准确率。 cemotion情感分析代码可以应用于多个领域，例如社交媒体监控、产品评论分析、舆情监测等。在这些应用中，通过对用户产生的文本进行情感分析，可以帮助企业快速识别用户的需求和情绪，进而改进产品和服务。同时，政府和媒体也可以利用情感分析代码来分析公众对于政策或事件的态度和情感倾向，从而更好地了解民众的反馈，做出相应的调整和处理。 综上所述，cemotion情感分析代码可以对文本进行情感分类，帮助用户快速了解文本的情感倾向，并在各个领域中提供数据支持和决策依据。 ### 回答3： cemotion情感分析代码是一个用于识别文本情感倾向的代码。该代码使用自然语言处理技术和情感分析算法来判断文本的情感态度是积极、消极还是中性。 cemotion情感分析代码的实现过程一般包括以下几个步骤： 1. 数据准备：首先，需要收集足够的文本数据作为训练集，包括积极、消极和中性的文本样本。这些样本可以是带有情感标签的评论、推文、新闻等。 2. 特征提取：代码使用自然语言处理技术从文本中提取特征，以便将文本转化为可供情感分析算法处理的形式。常用的特征提取方法包括词袋模型、TF-IDF等。 3. 模型训练：将特征提取后的文本数据和对应的情感标签输入到情感分析算法中进行模型的训练。常用的情感分析算法有朴素贝叶斯算法、支持向量机等。 4. 模型评估：使用评估指标如准确率、精确率、召回率等来评估训练得到的情感分析模型的性能。如果模型表现良好，就可以继续进行下一步。 5. 情感分析应用：将训练好的模型应用于实际文本数据，对其情感进行分类。通常输出结果为积极、消极或中性情感倾向的概率分布，可以根据需要设置阈值来确定情感态度。 cemotion情感分析代码可以在多个领域应用，如社交媒体舆情分析、产品评论情感分析等。它可以帮助用户迅速了解大量文本数据的情感反馈，从而作出更加准确的决策。该代码还可以根据具体需求进行定制化开发，加入其他特征提取方法、改进模型算法等，以提高情感分析的准确性和适用性。
评论 1
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

打赏作者

尹煜

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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