【火炉炼AI】机器学习041-NLP句子情感分析

(本文所使用的Python库和版本号: Python 3.6, Numpy 1.14, scikit-learn 0.19, matplotlib 2.2 )

在NLP中有一个非常实用的应用领域--情感分析，情感分析是用NLP技术分析一段给定文本的情感类型，是积极的还是消极的，是乐观的还是悲观的等。比如在股市中，我们知道，往往大众最悲观的时候往往是股市的大底，而最乐观的时候却是股市的顶部，所以，如果我们能够掌握大众的心里情感状况，那么也就能大概知道股市的底和顶，换言之，也就能够在股市上挣得大把大把的银子了。

1. 准备数据集

本项目所使用的数据集也是由nltk内部提供，其中的corpus模块中有movies_reviews，可以给我们提供“积极”和“消极”的语句文本。

# 1, 准备数据集
from nltk.corpus import movie_reviews
pos_fileIds=movie_reviews.fileids('pos') # 加载积极文本文件
neg_fileIds=movie_reviews.fileids('neg') # 消极文本文件

print(len(pos_fileIds)) # 1000
print(len(neg_fileIds)) # 1000 

print(pos_fileIds[:5])
print(neg_fileIds[:5])

# 由此可看出，movie_reviews.fileids是加载各种类别文本的文件，
# 并返回该文件名组成的list

# 如果想要查看某个文本文件的内容，可以使用
print(movie_reviews.words(fileids=['pos/cv000_29590.txt']))
复制代码

-------------------------------------输---------出--------------------------------

1000 1000 ['pos/cv000_29590.txt', 'pos/cv001_18431.txt', 'pos/cv002_15918.txt', 'pos/cv003_11664.txt', 'pos/cv004_11636.txt'] ['neg/cv000_29416.txt', 'neg/cv001_19502.txt', 'neg/cv002_17424.txt', 'neg/cv003_12683.txt', 'neg/cv004_12641.txt'] ['films', 'adapted', 'from', 'comic', 'books', 'have', ...]

--------------------------------------------完-------------------------------------

虽然上面把文本文件的名称提取出来，但是我们还需要从这些txt文件中提取出所需要的特征，使用这些特征才能进行后续的分类器建模。

# 2, 处理数据集
def extract_features(word_list):
    '''专门一个函数来提取特征'''
    return dict([(word,True) for word in word_list]) # 此处加True的作用是构成dict,实质意义不大

pos_features=[(extract_features(movie_reviews.words(fileids=[f])),'Pos') 
              for f in pos_fileIds]
neg_features=[(extract_features(movie_reviews.words(fileids=[f])),'Neg') 
              for f in neg_fileIds]
print(pos_features[:3]) # 打印下看看内容是否正确

dataset=pos_features+neg_features # 将两部分结合起来作为一个dataset
复制代码

打印出来的结果很长，可以参考我的github里面的代码。

2. 建立模型，训练特征

# 构建模型，训练模型
from nltk import NaiveBayesClassifier
from nltk.classify import accuracy as nltk_accuracy

np.random.shuffle(dataset)
rows=int(len(dataset)*0.8) # 80%为train set
train_set,test_set=dataset[:rows],dataset[rows:]
print('Num of train_set: ',len(train_set),
      '/nNum of test_set: ',len(test_set))
clf=NaiveBayesClassifier.train(train_set)

# 查看该模型在test set上的表现
acc=nltk_accuracy(clf,test_set)
print('Accuracy: {:.2f}%'.format(acc*100))
复制代码

-------------------输---------出-----------------------

Num of train_set: 1600
Num of test_set: 400
Accuracy: 70.75%

-------------------------完---------------------------

由此可以看出该模型在测试集上的表现为：准确率70.75%

# 查看模型内部信息
# 该分类器是分析某段文本中哪些单词与“积极”的关联最大，
# 哪些与“消极”的关联最大，进而分析这些关键词的出现来判断某句话是积极或消极

# 打印这些关键词
for key_word in clf.most_informative_features()[:10]:
    print(key_word[0])
复制代码

----------------输---------出-----------------------

outstanding
insulting
ludicrous
affecting
magnificent
breathtaking
avoids
strongest
fascination
slip

------------------------完-------------------------

可以看出，这些关键词对于区分一个句子是积极还是消极有着至关重要的作用，或者说，如果某个句子中有了这些关键词，就可以区分这个句子的情感是积极还是消极，这些单词越多，模型预测的准确率就越高。

3. 用成熟模型预测新样本

# 用该模型来预测新样本，查看新句子的情感是积极还是消极
new_samples = [
        "It is an amazing movie", 
        "This is a dull movie. I would never recommend it to anyone.",
        "The cinematography is pretty great in this movie", 
        "The direction was terrible and the story was all over the place" 
    ]

for sample in new_samples:
    predict_P=clf.prob_classify(extract_features(sample.split()))
    pred_sentiment=predict_P.max()
    print('Sample: {}, Type: {}, Probability: {:.2f}%'.format(
        sample,pred_sentiment,predict_P.prob(pred_sentiment)*100))
复制代码

----------------输---------出-----------------------

Sample: It is an amazing movie, Type: Pos, Probability: 61.45%
Sample: This is a dull movie. I would never recommend it to anyone., Type: Neg, Probability: 80.12%
Sample: The cinematography is pretty great in this movie, Type: Pos, Probability: 63.63%
Sample: The direction was terrible and the story was all over the place, Type: Neg, Probability: 63.89%

------------------------完----------------------------

########################小**********结###############################

1，NLTK中所使用的分类器需要用dict类型的数据作为features来数据，故而我们需要自定义一个extract_features函数，来将单词转变为dict类型。

2，NLTK中已经集成了很多分类器，比如NaiveBayesClassifier，这些分类器已经集成了字符串处理方面的各种细节，使用起来很方便。

#################################################################

注：本部分代码已经全部上传到（我的github）上，欢迎下载。

参考资料:

1, Python机器学习经典实例，Prateek Joshi著，陶俊杰，陈小莉译