NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码

NLP 专栏收录该内容
56 篇文章 31 订阅

NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码

 

 

目录

全部代码


 

相关文章
NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)
NLP之情感分析:基于python编程(jieba库)实现中文文本情感分析(得到的是情感评分)之全部代码

 

全部代码

# coding:utf-8
import jieba
import numpy as np


#打开词典文件,返回列表
def open_dict(Dict = 'hahah', path=r'data/Textming'):
    path = path + '%s.txt' % Dict
    dictionary = open(path, 'r', encoding='utf-8')
    dict = []
    for word in dictionary:
        word = word.strip('\n')
        dict.append(word)
    return dict



def judgeodd(num):
    if (num % 2) == 0:
        return 'even'
    else:
        return 'odd'


#注意,这里你要修改path路径。
deny_word = open_dict(Dict = '否定词', path= r'F:/File_Python/Resources/data/Textming/')
posdict = open_dict(Dict = 'positive', path= r'F:/File_Python/Resources/data/Textming/')
negdict = open_dict(Dict = 'negative', path= r'F:/File_Python/Resources/data/Textming/')

degree_word = open_dict(Dict = '程度级别词语', path= r'F:/File_Python/Resources/data/Textming/')
mostdict = degree_word[degree_word.index('extreme')+1 : degree_word.index('very')]#权重4,即在情感词前乘以4
verydict = degree_word[degree_word.index('very')+1 : degree_word.index('more')]#权重3
moredict = degree_word[degree_word.index('more')+1 : degree_word.index('ish')]#权重2
ishdict = degree_word[degree_word.index('ish')+1 : degree_word.index('last')]#权重0.5



def sentiment_score_list(dataset):
    seg_sentence = dataset.split('。')

    count1 = []
    count2 = []
    for sen in seg_sentence: #循环遍历每一个评论
        segtmp = jieba.lcut(sen, cut_all=False)  #把句子进行分词,以列表的形式返回
        i = 0 #记录扫描到的词的位置
        a = 0 #记录情感词的位置
        poscount = 0 #积极词的第一次分值
        poscount2 = 0 #积极词反转后的分值
        poscount3 = 0 #积极词的最后分值(包括叹号的分值)
        negcount = 0
        negcount2 = 0
        negcount3 = 0
        for word in segtmp:
            if word in posdict:  # 判断词语是否是情感词
                poscount += 1
                c = 0
                for w in segtmp[a:i]:  # 扫描情感词前的程度词
                    if w in mostdict:
                        poscount *= 4.0
                    elif w in verydict:
                        poscount *= 3.0
                    elif w in moredict:
                        poscount *= 2.0
                    elif w in ishdict:
                        poscount *= 0.5
                    elif w in deny_word:
                        c += 1
                if judgeodd(c) == 'odd':  # 扫描情感词前的否定词数
                    poscount *= -1.0
                    poscount2 += poscount
                    poscount = 0
                    poscount3 = poscount + poscount2 + poscount3
                    poscount2 = 0
                else:
                    poscount3 = poscount + poscount2 + poscount3
                    poscount = 0
                a = i + 1  # 情感词的位置变化

            elif word in negdict:  # 消极情感的分析,与上面一致
                negcount += 1
                d = 0
                for w in segtmp[a:i]:
                    if w in mostdict:
                        negcount *= 4.0
                    elif w in verydict:
                        negcount *= 3.0
                    elif w in moredict:
                        negcount *= 2.0
                    elif w in ishdict:
                        negcount *= 0.5
                    elif w in degree_word:
                        d += 1
                if judgeodd(d) == 'odd':
                    negcount *= -1.0
                    negcount2 += negcount
                    negcount = 0
                    negcount3 = negcount + negcount2 + negcount3
                    negcount2 = 0
                else:
                    negcount3 = negcount + negcount2 + negcount3
                    negcount = 0
                a = i + 1
            elif word == '!' or word == '!':  ##判断句子是否有感叹号
                for w2 in segtmp[::-1]:  # 扫描感叹号前的情感词,发现后权值+2,然后退出循环
                    if w2 in posdict or negdict:
                        poscount3 += 2
                        negcount3 += 2
                        break
            i += 1 # 扫描词位置前移


            # 以下是防止出现负数的情况
            pos_count = 0
            neg_count = 0
            if poscount3 < 0 and negcount3 > 0:
                neg_count += negcount3 - poscount3
                pos_count = 0
            elif negcount3 < 0 and poscount3 > 0:
                pos_count = poscount3 - negcount3
                neg_count = 0
            elif poscount3 < 0 and negcount3 < 0:
                neg_count = -poscount3
                pos_count = -negcount3
            else:
                pos_count = poscount3
                neg_count = negcount3

            count1.append([pos_count, neg_count])
        count2.append(count1)
        count1 = []

    return count2

def sentiment_score(senti_score_list):
    score = []
    for review in senti_score_list:
        score_array = np.array(review)
        Pos = np.sum(score_array[:, 0])
        Neg = np.sum(score_array[:, 1])
        AvgPos = np.mean(score_array[:, 0])
        AvgPos = float('%.1f'%AvgPos)
        AvgNeg = np.mean(score_array[:, 1])
        AvgNeg = float('%.1f'%AvgNeg)
        StdPos = np.std(score_array[:, 0])
        StdPos = float('%.1f'%StdPos)
        StdNeg = np.std(score_array[:, 1])
        StdNeg = float('%.1f'%StdNeg)
        score.append([Pos, Neg, AvgPos, AvgNeg, StdPos, StdNeg]) #积极、消极情感值总和(最重要),积极、消极情感均值,积极、消极情感方差。
    return score

def EmotionByScore(data):
    result_list=sentiment_score(sentiment_score_list(data))
    return result_list[0][0],result_list[0][1]
    


def JudgingEmotionByScore(Pos, Neg):
    if Pos > Neg:
        str='1'
    elif Pos < Neg:
        str='-1'
    elif Pos == Neg:
        str='0'
    return str



data1= '今天上海的天气真好!我的心情非常高兴!如果去旅游的话我会非常兴奋!和你一起去旅游我会更加幸福!'
data2= '救命,你是个坏人,救命,你不要碰我,救命,你个大坏蛋!'
data3= '美国华裔科学家,祖籍江苏扬州市高邮县,生于上海,斯坦福大学物理系,电子工程系和应用物理系终身教授!'


print(sentiment_score(sentiment_score_list(data1)))
print(sentiment_score(sentiment_score_list(data2)))
print(sentiment_score(sentiment_score_list(data3)))


a,b=EmotionByScore(data1)

emotion=JudgingEmotionByScore(a,b)
print(emotion)

 

<p style="font-size:medium;"> <span style="font-size:18px;color:#FF0000;">课程目标</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">学习完本门课程,您将对自然语言处理技术有更深入了解, </span><span style="font-size:18px;">掌握基于深度学习情感分析方法;课程基于</span><span style="font-size:18px;">PyTorch</span><span style="font-size:18px;">主流框架实现,其中涉及深度学习主流框架</span><span style="font-size:18px;">LSTM</span><span style="font-size:18px;">模型以及自然语言处理词向量;</span><span style="font-size:18px;">彻底掌握</span><span style="font-size:18px;">中文情感分析。</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;color:#FF0000;">适用人群</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">想要从事NLP在校学生、NLP研发工程师</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">自然语言处理从业者、深度学习爱好者</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;color:#FF0000;">课程简介</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">NLP领域热门应用,常用在舆情分析,文章分类,智能</span><span style="font-size:18px;">客服,情感分析等</span><span style="font-size:18px;">多个场景</span><span style="font-size:18px;">。情感分析作为</span><span style="font-size:18px;">自然语言处理基础技术一</span><span style="font-size:18px;">,常被用于电商评论、舆情监控、</span><span style="font-size:18px;color:#FF0000;">微博评论情感分析</span><span style="font-size:18px;">、话题监督等领域,</span><span style="font-size:18px;">因此深入</span><span style="font-size:18px;">掌握情感分析技术</span><span style="font-size:18px;">,作为自然语言处理从</span><span style="font-size:18px;">业者必备技能</span><span style="font-size:18px;">,本课程以案例驱动出发,结合多个项目实战案例,覆盖多种算法,</span><span style="font-size:18px;">如</span><span style="font-size:18px;">RNN</span><span style="font-size:18px;">,</span><span style="font-size:18px;">LSTM</span><span style="font-size:18px;">等</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;color:#FF0000;">课程要求</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(1)开发环境python版本Python3.7; </span><span style="font-size:18px;color:#FF0000;">torch 版本</span><span style="font-size:18px;color:#FF0000;">1.</span><span style="font-size:18px;color:#FF0000;">3</span><span style="font-size:18px;color:#FF0000;">.0+; torch</span><span style="font-size:18px;color:#FF0000;">text</span><span style="font-size:18px;color:#FF0000;">版本</span><span style="font-size:18px;color:#FF0000;"></span><span style="font-size:18px;color:#FF0000;">0.</span><span style="font-size:18px;color:#FF0000;">3</span><span style="font-size:18px;color:#FF0000;">.0</span><span style="font-size:18px;color:#FF0000;">+</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(2)开发工具Pycharm;</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(3)学员基础需要一定Python基础,及深度学习基础;</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(4)学员收货</span><span style="font-size:18px;">掌握深度学习情感分类关键</span><span style="font-size:18px;">技术;</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(5)学员资料内含完整程序源码和数据集;</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;">(6)课程亮点专题技术,完整案例,全程实战操作,徒手撸代码。</span> </p> <p style="font-size:medium;"> <span style="font-size:18px;"><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><img src="https://img-bss.csdn.net/202002100142351682.png" alt="" /><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><img src="https://img-bss.csdn.net/202002100143361272.png" alt="" /><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><img src="https://img-bss.csdn.net/202002100144109896.png" alt="" /><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><img src="https://img-bss.csdn.net/202002100144545929.png" alt="" /><br /></span> </p> <p style="text-align:left;font-size:medium;"> <span style="font-size:32px;">案例5-情感分析功能点</span> </p> <p style="text-align:center;font-size:medium;"> <img src="https://img-bss.csdn.net/202002131018235991.png" alt="" /></p> <p style="text-align:center;font-size:medium;"> <br /></p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><br /></span> </p> <p style="text-align:center;font-size:medium;"> <span style="font-size:18px;"><br /></span> </p>
相关推荐
©️2020 CSDN 皮肤主题: 代码科技 设计师:Amelia_0503 返回首页
实付
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、C币套餐、付费专栏及课程。

余额充值