概述
-
1、
对情感分析的研究到目前为止主要集中在以下哪些方面？
A、识别给定的文本实体是主观的还是客观的
D、识别主观的文本的极性
-
2、
在情感分析领域目前主要的分析方法有：
B、词法分析
C、机器学习分析
D、混合分析
第2关：基于情感词典的情感分析实战
from collections import defaultdict
import jieba
import codecs
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('./stopword.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(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('./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1是情感分值
sen_dict[s.split(' ')[0]] = s.split(' ')[1]
# 读取否定词文件
not_word_file = open('./notDic.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('./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:
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
def list_to_dict(word_list):
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())
# 任务：完成基于情感词典对情感得分的计算
# ********** Begin *********#
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]
# ********** End **********#
return score
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
第3关：基于 SnowNLP 的情感分析实战
from snownlp import SnowNLP
def Analysis():
text = input()
result=0
# 任务：使用 SnowNLP 模块，对 text文本进行情感分析，将分析结果保存到result变量中
# ********** Begin *********#
s=SnowNLP(text)
result=s.sentiments
# ********** End **********#
return result
最后
以上就是威武航空为你收集整理的第1关：情感分析的基本方法的全部内容，希望文章能够帮你解决第1关：情感分析的基本方法所遇到的程序开发问题。
如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。
发表评论 取消回复