【NLP论文】03 基于 jiagu 的情感分析

本篇是NLP论文 系列的最后一篇,主要介绍如何计算情感分析结果,并将其融入到XX评价体系和物流关键词词库,之前我已经写了两篇关于情感分析的文章,分别是 SnowNLPCemotion 技术,最终我才用了 jiagu 来写我的论文,因为 jiagu准确率还行,并且写这个技术的毕竟少。

目录

[1 基于 Jiagu 的情感分析](#1 基于 Jiagu 的情感分析)

[1.1 Jiagu 介绍](#1.1 Jiagu 介绍)

[1.2 情感分析计算](#1.2 情感分析计算)

[① 语料](#① 语料)

[② Jiagu 计算](#② Jiagu 计算)

[③ xx 关键词匹配](#③ xx 关键词匹配)

[2 XX评价体系结合情感分析](#2 XX评价体系结合情感分析)


代码地址: nlp_yinyu

1 基于 Jiagu 的情感分析

JiaguSnowNLP + Cemotion 类似,均是情感分析技术之一,另外两种技术文章也在该专栏下,采用哪种看大家如何选择,本文主要介绍如何将情感分析技术融入到论文中。

1.1 Jiagu 介绍

Jiagu情感分析是一种中文自然语言处理工具,用于识别和分析文本中的情感倾向,它可以根据文本的内容和语义,判断文本中的情感是积极的、消极的还是中性的。

它使用机器学习算法和自然语言处理技术来处理文本,并通过训练模型来识别情感。该工具可以应用于各种文本数据,如社交媒体评论、新闻文章、产品评论等。

Jiagu情感分析具有以下特点:高准确性、快速处理和多种应用场景。

1.2 情感分析计算

① 语料

语料依然是以之前爬取的京东网站上的 5000 条评论数据,可在文章顶部的代码仓库中下载!

② Jiagu 计算

主要分为以下三步:

  1. 引入语料 excel 数据
  2. 计算每条评论的情感值
  3. 生成【Jiagu情感分析原始结果_京东.xlsx】文件

代码如下:

python 复制代码
import pandas as pd
import jiagu
from base_handle import BaseHandle  # 引入工具类

baseHandle = BaseHandle()  # 实例化

def jiagu_cal(url):
    '''计算每条评论的情感值'''
    df = pd.read_excel(url, sheet_name='Sheet1')
    # print(df)
    # 定义函数,批量处理所有的评论信息
    def get_sentiment_cn(text):
        return jiagu.sentiment(text)[1]  # jiagu的后边带positive或negative

    # 根据df里的"comments"列,将读取文本后的情感分析结果添加到新的一列,命名为"sentiment"
    df["sentiment"] = df['评论'].apply(get_sentiment_cn)
    # print(df)
    # 储存为表格。
    df.to_excel('Jiagu情感分析原始结果_京东.xlsx')


if __name__ == "__main__":
    jiagu_cal(baseHandle.get_file_abspath('语料库_京东_5000条评论.xlsx'))

最终输出【Jiagu情感分析原始结果_京东.xlsx】文件如下:

每条评论都给安排了一个情感值~

③ xx 关键词匹配

以物流关键词词库为例,将每个关键词的情感值计算出来,本文的计算逻辑:统计该关键词在多少条评论中存在,若存在,则这些评论的情感值加和。

步骤如下:

  1. 读取物流关键词词库
  2. 统计每个关键词的情感值大小
  3. 生成【jiagu情感分析匹配结果_京东.xlsx】文件
python 复制代码
import pandas as pd
import jiagu
from base_handle import BaseHandle  # 引入工具类

baseHandle = BaseHandle()  # 实例化


def match_words_jiagu():
    '''匹配关键词和情感分析结果'''
    words = baseHandle.logistics_list
    items = []
    for word in words:
        row = handle_senti_result(word, "评论", "情感值")
        row.insert(0, word)
        items.append(row)
    dt = pd.DataFrame(items, columns=['关键词', '评论数量', '好评率', '情感值方差', '情感均值', '情感中值'])
    dt.to_excel("jiagu情感分析匹配结果_京东.xlsx")


def handle_senti_result(word, col1, col2):
    '''子方法---统计每个关键词的情感值大小'''
    df = pd.read_excel('Jiagu情感分析原始结果_京东.xlsx', sheet_name='Sheet1')
    b1 = []
    b2 = []
    for i in range(len(df)):
        comment = df.loc[i, col1]
        if word in comment:  # 判断关键词是否存在于某个字符串(str)中
            a1 = df.loc[i, col1]
            a2 = df.loc[i, col2]
            if not a1 in b1:  # col1:评论,col2:情感值,去掉重复的评论,也可不去掉
                b1.append(a1)
                b2.append(a2)
            else:
                continue
        else:
            continue
    f1 = pd.DataFrame(columns=['评论', '情感值'])
    f1['评论'] = b1
    f1['情感值'] = b2
    # print('分值之和:',f1['情感值'].sum())
    seti = f1['情感值']
    # 一些列数据
    row = [seti.count(), f1[seti >= 0.6]['情感值'].count() / seti.count(),
           seti.var(), seti.mean(), seti.median()]
    return row


if __name__ == "__main__":
    match_words_jiagu()

最终输出【jiagu情感分析匹配结果_京东.xlsx】文件如下:

如图,得到了每个关键词的情感分析详细数据,那么就可以拿这些数据来做些其他事情了~

2 XX评价体系结合情感分析

以物流评价体系为例,结合 TF-IDFJiagu情感分析结果(本文只采用了它的情感均值)

如图:

这是一个比较粗略的统计结果,可以展示各维度他的重要程度以及情感值(或者说评分大小),不要忘了语料来自于网上在线评论。

以上还可以做更多研究,希望给大家提供帮助。因为毕业论文用到了这些技术,所以想着总结一下,最近终于有空把它更完了,纪念一下学生时代~

相关推荐
好看资源平台27 分钟前
网络爬虫——综合实战项目:多平台房源信息采集与分析系统
爬虫·python
果冻人工智能1 小时前
2025 年将颠覆商业的 8 大 AI 应用场景
人工智能·ai员工
代码不行的搬运工1 小时前
神经网络12-Time-Series Transformer (TST)模型
人工智能·神经网络·transformer
进击的六角龙1 小时前
深入浅出:使用Python调用API实现智能天气预报
开发语言·python
檀越剑指大厂1 小时前
【Python系列】浅析 Python 中的字典更新与应用场景
开发语言·python
石小石Orz1 小时前
Three.js + AI:AI 算法生成 3D 萤火虫飞舞效果~
javascript·人工智能·算法
湫ccc1 小时前
Python简介以及解释器安装(保姆级教学)
开发语言·python
孤独且没人爱的纸鹤1 小时前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
阿_旭1 小时前
TensorFlow构建CNN卷积神经网络模型的基本步骤:数据处理、模型构建、模型训练
人工智能·深度学习·cnn·tensorflow
羊小猪~~1 小时前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j