基于整洁数据的情感分析.PDFVIP

第2 章 基于整洁数据的情感分析 上一章深入介绍了整洁文本的格式，并介绍了如何利用这种格式处理与词频相关的问 题。词频可以使我们了解文档中有哪些单词最常用，并对多个文档进行比较。本章将研 究一个新主题——舆论挖掘或情感分析。当读者阅读文章时，会根据对词语情感意图的 理解，或者其他一些更细微的情感，如惊奇或厌恶来推断文本段落是积极的还是消极 的。可以使用文本挖掘工具来处理文本的情感内容，如图2-1 所示。 情感词 文本数据 整洁文本 对文本总结 可视化 图2-1 ：使用整洁文本进行情感分析的流程图。本章将介绍如何使用整洁数据原则来实现情感 分析 将文本当成单个词的组合，将单词情感内容的总和作为整个文本的情感内容，是分析文 本情感的一种方法。这并不是实现情感分析的唯一方法，但却是一种经常使用的方法， 这种方法的优势是可以利用整洁工具生态系统。 情感数据集 如上所述，已经有许多用于评估文本舆论或情感的方法和词典（lexicon）。tidytext 18 包的sentiment 数据集就包含了多个情感词典。 library(tidytext) sentiments ## # A tibble: 27,314 × 4 ## word sentiment lexicon score ## chr chr chr int ## 1 abacus trust nrc NA ## 2 abandon fear nrc NA ## 3 abandon negative nrc NA ## 4 abandon sadness nrc NA ## 5 abandoned anger nrc NA ## 6 abandoned fear nrc NA ## 7 abandoned negative nrc NA ## 8 abandoned sadness nrc NA ## 9 abandonment anger nrc NA ## 10 abandonment fear nrc NA ## # ... with 27,304 more rows 三个通用的词典是： • 来自Finn Årup Nielsen 的AFINN • 来自Bing Liu 及合作者collaborators 的Bing • 来自Saif Mohammad 和Peter Turney 的NRC 这三个词典都是基于单个词的。这些词典包含许多英文单词，会对正/ 负情感以及 开心（joy ）、愤怒（anger）、难受（sadness）等情感单词计数。NRC 词典会按二进 制（“yes ”/ “no ”）形式将单词分为positive 、negative 、anger 、anticipate 、disgust 、 fear 、joy 、sadness 、surprise 和trust 类别。Bing 词典按二进制方式将单词分为正、负两 类。AFINN 词典的分数范围在–5 至5 之间，其中负数表示负面情感，正数表示正面情 感。所有这些信息都在sentiments 数据集中列出，并且tidytext 还提供了get_ sentiments() 函数来获取没有列的特定情感词典，这些列不会在词典中使用。 get_sentiments(afinn) ## # A tibble: 2,476 × 2 ## word score ## chr int ## 1 abandon -2 ## 2 abandoned -2 ## 3 abandons -2 ## 4 abducted -2 ## 5 abduction -2 ## 6 abductions -2