怎样用Python代码做情感分析

本篇文章为大家展示了怎样用Python代码做情感分析，内容简明扼要并且容易理解，绝对能使你眼前一亮，通过这篇文章的详细介绍希望你能有所收获。

成都做网站、网站建设的开发，更需要了解用户，从用户角度来建设网站，获得较好的用户体验。成都创新互联多年互联网经验，见的多，沟通容易、能帮助客户提出的运营建议。作为成都一家网络公司，打造的就是网站建设产品直销的概念。选择成都创新互联，不只是建站，我们把建站作为产品，不断的更新、完善，让每位来访用户感受到浩方产品的价值服务。

1. 一台可以上网的电脑

2. 基本的python代码阅读能力，用于修改几个模型参数

3. 对百度中文NLP最新成果的浓烈兴趣

• 训练模型：Senta情感分析模型基本简介

Senta是百度NLP开放的中文情感分析模型，可以用于进行中文句子的情感分析，输出结果为{正向/中性/负向}中的一个，关于模型的结构细节，请查看Senta----github.com/PaddlePaddle/Paddlehub/demo/senta

• 本示例代码选择的是Senta-BiLSTM模型。

• 模型来源：Paddlehub简介

PaddleHub是基于PaddlePaddle开发的预训练模型管理工具，可以借助预训练模型更便捷地开展迁移学习工作。

• 本次评测中只使用了预训练模型，没有进行fine-tune

• 代码运行环境：百度 AI studio

实验代码

• 来自paddlehub/senta_demo.py

github：https://github.com/PaddlePaddle/PaddleHub/blob/release/v0.5.0/demo/senta/senta_demo.py

from __future__ import print_function import json import os import six import paddlehub as hub if __name__ == "__main__":  # 加载senta模型  senta = hub.Module(name="senta_bilstm")  # 把要测试的短文本以str格式放到这个列表里  test_text = [  "这家餐厅不是很好吃",  "这部电影差强人意",  ]  # 指定模型输入  input_dict = {"text": test_text}  # 把数据喂给senta模型的文本分类函数  results = senta.sentiment_classify(data=input_dict)  # 遍历分析每个短文本  for index, text in enumerate(test_text):  results[index]["text"] = text  for index, result in enumerate(results):  if six.PY2:  print(  json.dumps(results[index], encoding="utf8", ensure_ascii=False))  else:  print('text: {},    predict: {}'.format(results[index]['text'],results[index]['sentiment_key']))

详细测评

成语情感分析

input

test_text = [ 
 '沧海桑田', # 中型，世事变化很大 
 '下里巴人', # 褒义，通俗的文学艺术 
 '有口皆碑', # 褒义，对突出的好人好事一致颂扬 
 '危言危行', # 褒义，说正直的话，做正直的事 
 '鬼斧神工', # 褒义，指大自然美景 
 '不赞一词', # 褒义，不能再添一句话，表示写的很好 
 '文不加点', # 褒义，指写作技巧高超 
 '差强人意', # 褒义，大体还能使人满意 
 '无微不至', # 褒义，指细心周到 
 '事倍功半', # 褒义，指不费力就有好的效果 
 '事半功倍', # 贬义，指浪费了力气却没有好效果 
 '蠢蠢欲动', # 贬义，指要干坏事 
 '面目全非', # 贬义，指大破坏 
 '江河日下', # 贬义，指事物日渐衰落 
 '评头论足', # 贬义，指小节过分挑剔 
 '生灵涂炭', # 贬义，指人民极端困苦 
 '始作俑者', # 贬义，第一个做坏事的人 
 '无所不为', # 贬义，什么坏事都干 
 '无所不至', # 贬义，什么坏事都干 
 '阳春白雪', # 贬义，高深不容易理解的艺术 
 ]

output

运行耗时: 4秒480毫秒 text: 沧海桑田, positive_prob: 0.3838, predict: negative # 错误 text: 下里巴人, positive_prob: 0.7957, predict: positive  text: 有口皆碑, positive_prob: 0.906, predict: positive text: 危言危行, positive_prob: 0.588, predict: positive text: 鬼斧神工, positive_prob: 0.657, predict: positive text: 不赞一词, positive_prob: 0.9698, predict: positive text: 文不加点, positive_prob: 0.1284, predict: negative # 错误 text: 差强人意, positive_prob: 0.0429, predict: negative # 错误 text: 无微不至, positive_prob: 0.8997, predict: positive text: 事倍功半, positive_prob: 0.6181, predict: positive text: 事半功倍, positive_prob: 0.8558, predict: positive # 错误 text: 蠢蠢欲动, positive_prob: 0.7353, predict: positive # 错误 text: 面目全非, positive_prob: 0.2186, predict: negative text: 江河日下, positive_prob: 0.2753, predict: negative text: 评头论足, positive_prob: 0.6737, predict: positive # 错误 text: 生灵涂炭, positive_prob: 0.4661, predict: neutral # 错误 text: 始作俑者, positive_prob: 0.247, predict: negative text: 无所不为, positive_prob: 0.5948, predict: positive # 错误 text: 无所不至, positive_prob: 0.553, predict: positive # 错误 text: 阳春白雪, positive_prob: 0.7552, predict: positive # 错误

正确率：10/20 = 50%

转折复句情绪分析

input

test_text = [  '小明虽然考了第一，但是他一点也不骄傲', # 积极   '你不是不聪明，而是不认真', # 消极  '虽然小明很努力，但是他还是没有考100分', # 消极   '虽然小明有时很顽皮，但是他很懂事', # 积极   '虽然这座桥已经建了很多年，但是她依然很坚固', # 积极   '他虽然很顽皮，但是学习很好', # 积极  '学习不是枯燥无味，而是趣味横生', # 积极   '虽然很困难，但是我还是不会退缩', # 积极   '虽然小妹妹只有5岁，但是她能把乘法口诀倒背如流', # 积极   '虽然我很过分，但是都是为了你好', # 积极   '小明成绩不好，不是因为不聪明，而是因为不努力', # 消极   '虽然这样做不妥当，但已经是最好的选择', # 积极   '这次虽然失败，但却是成功的开始', # 积极  '虽然这道题很难，但是我相信我会把它做出来', # 积极   '虽然爷爷已经很老了，但是他还是坚持每天做运动', # 积极   '不是没有美，而是我们缺少发现美的眼光', # 消极   '虽然他们有良好的生活条件，但是浪费资源迟早会带来恶果', # 消极   '他不是我们的敌人，而是我们的朋友', # 积极   '他不是不会做，而是不想做', # 消极  '虽然那个梦想看起来离我遥不可及，但是我相信经过我的努力它一定会实现', # 积极  ]

output

运行耗时: 2秒667毫秒 text: 小明虽然考了第一，但是他一点也不骄傲, positive_prob: 0.9598,  predict: positive  text: 你不是不聪明，而是不认真, positive_prob: 0.0275,  predict: negative text: 虽然小明很努力，但是他还是没有考100分, positive_prob: 0.7188,  predict: positive # 错误 text: 虽然小明有时很顽皮，但是他很懂事, positive_prob: 0.8776,  predict: positive text: 虽然这座桥已经建了很多年，但是她依然很坚固, positive_prob: 0.9782,  predict: positive text: 他虽然很顽皮，但是学习很好, positive_prob: 0.9181,  predict: positive text: 学习不是枯燥无味，而是趣味横生, positive_prob: 0.3279,  predict: negative # 错误 text: 虽然很困难，但是我还是不会退缩, positive_prob: 0.3974,  predict: negative # 错误 text: 虽然小妹妹只有5岁，但是她能把乘法口诀倒背如流, positive_prob: 0.5124,  predict: neutral text: 虽然我很过分，但是都是为了你好, positive_prob: 0.399,  predict: negative # 错误 text: 小明成绩不好，不是因为不聪明，而是因为不努力, positive_prob: 0.1881,  predict: negative text: 虽然这样做不妥当，但已经是最好的选择, positive_prob: 0.806,  predict: positive text: 这次虽然失败，但却是成功的开始, positive_prob: 0.4862,  predict: neutral # 错误 text: 虽然这道题很难，但是我相信我会把它做出来, positive_prob: 0.3959,  predict: negative # 错误 text: 虽然爷爷已经很老了，但是他还是坚持每天做运动, positive_prob: 0.9178,  predict: positive text: 不是没有美，而是我们缺少发现美的眼光, positive_prob: 0.5614,  predict: positive text: 虽然他们有良好的生活条件，但是浪费资源迟早带来恶果, positive_prob: 0.1086,  predict: negative text: 他不是我们的敌人，而是我们的朋友, positive_prob: 0.3749,  predict: negative # 错误 text: 他不是不会做，而是不想做, positive_prob: 0.1247,  predict: negative  text: 虽然那个梦想看起来离我遥不可及，但是我相信经过我的努力它一定会实现, positive_prob: 0.957,  predict: positive

正确率：13/20 = 65%

具体场景情绪分析

input

test_text = [  '这车耗油很快',   '这车开的很快',  '这房间有一股死老鼠味道',  '这房间有烟味',  '他的发型像杀马特',  '这衣服机洗掉色',  '这衣服穿多了起球',  '这软件容易闪退',  '他打球的样子像蔡徐坤',  '这把20了',  '这把可以打',  '他射球的样子像科比',  '这房间的布置很有情调',  '这酒让人回味',  '这衣服很酷',  '他的侧脸好像林峰',  '五星好评',  '以后会回购的',  '性价比很高',  '物美价廉',  '这女生让我心动'  ]

output

运行耗时: 2秒676毫秒 text: 这车耗油很快, positive_prob: 0.2926, predict: negative text: 这车开的很快, positive_prob: 0.8478, predict: positive text: 这房间有一股死老鼠味道, positive_prob: 0.0071, predict: negative text: 这房间有烟味, positive_prob: 0.2071, predict: negative text: 他的发型像杀马特, positive_prob: 0.3445, predict: negative text: 这衣服机洗掉色, positive_prob: 0.3912, predict: negative text: 这衣服穿多了起球, positive_prob: 0.679, predict: positive # 错误 text: 这软件容易闪退, positive_prob: 0.0051, predict: negative text: 他打球的样子像蔡徐坤, positive_prob: 0.8684, predict: positive # 错误 text: 这把20了, positive_prob: 0.1695, predict: negative text: 这把可以打, positive_prob: 0.3503, predict: negative # 错误 text: 他射球的样子像科比, positive_prob: 0.7263, predict: positive text: 这房间的布置很有情调, positive_prob: 0.9519, predict: positive text: 这酒让人回味, positive_prob: 0.7431, predict: positive text: 这衣服很酷, positive_prob: 0.9817, predict: positive text: 他的侧脸好像林峰, positive_prob: 0.5621, predict: positive text: 五星好评, positive_prob: 0.9971, predict: positive text: 以后会回购的, positive_prob: 0.6903, predict: positive text: 性价比很高, positive_prob: 0.9799, predict: positive text: 物美价廉, positive_prob: 0.9542, predict: positive text: 这女生让我心动, positive_prob: 0.956, predict: positive

正确率：17/20 = 85%

总结，三个不同类别的测评如下所示：

总结

1.模型计算耗时较小，使用体验不错。

2.成语情感分析方面，我专门挑选的是一些比较难从字面理解的，容易混淆情感的成语(比如差强人意被判定为消极)，这些也是高考常考的内容。虽然最后模型正确率只有一般，但是我认为是可以接受的，适当增加成语语句作为训练语料会使模型"更懂"中文。

大家有兴趣的可以试一试一些比较容易从字面理解情感的成语，我觉得得分会比本次评测的结果要好。

3.转折语句情感分析本身也是对模型的一种挑战，实测效果为65分，个人觉得模型对于像“但是”，“虽然”这样的词语没有足够的attention，因为这些转折词背后的语义往往才是最影响整个句子的情感的，最终评分65分，个人认为模型在这方面表现一般。

4.评分最好看的是具体场景情感分析，大概预训练语料中有大量的淘宝评价?像杀马特 20 科比  这些小字眼是判定情感的关键，而模型也确实捕捉到并判断出来了，这点比较让我惊喜。

上述内容就是怎样用Python代码做情感分析，你们学到知识或技能了吗？如果还想学到更多技能或者丰富自己的知识储备，欢迎关注创新互联行业资讯频道。