Python 自然語言處理應用 - 3. 情緒分析篇 / Sentiment Analysis
0 likes228 views
本文探讨了情绪分析在自然语言处理中的应用，涵盖环境配置、命名实体识别与情绪分析三部分。情绪分析的方法包括字典法和机器学习法，能够对文本中的情感进行分类和预测。文中还列举了多个情绪分析工具及其应用实例，强调多语言支持和机器学习模型的效能。
![正面：0.6408
情緒分析的舉例
20
彰化保安林生态护坡见效
3年监测PM2.5浓度减26%
輸入文字
[0] 負面 [1] 正面 [2] 中性
0.3431 0.6408 0.0161
情緒分析
結果](https://image.slidesharecdn.com/python-3-241230110444-ac9a2ce1/85/Python-3-Sentiment-Analysis-20-320.jpg)
Python 自然語言處理應用 - 3. 情緒分析篇 / Sentiment Analysis
- 2. 政大圖檔 112-2 2 Python自然語言處理應用 1. 環境配置篇 2. 命名實體篇 3. 情緒分析篇
- 3. 3
- 4. 4 情緒分析
- 5. ● 情緒分析、情感分析或意見探勘 (Opinion Mining) 是對人 們在文本中表達的意見、情感、評價、態度以及對實體及其 各個方面的情緒進行計算研究的一種方法。 ● 情緒分析不同的範圍：文件層級、句子等級、面向層級 ○ 面向層級(aspect-level)是指對於某個實體或目標的情緒分 析，又稱為面向情緒分析(ALSA) ● 情緒分析的極性：三類(正面/負面/中性) ● 情緒分析的做法包括以下幾種： ○ 字典法：以特定關鍵字作為判斷情緒極性的依據 ○ 機器學習法 ：訓練AI來預測文本的極性 Sentiment Analysis (SA) 情緒分析 5 (Zhang & Liu, 2017)
- 6. 抱歉，情緒分析只著重文字 6 https://www.instagram.com/agua_line_sticker/p/DCdOXP3ygP3/ 「我真的沒有生氣！」
- 7. 7 情緒分析的應用
- 8. 顧客回饋意見情感分析 想要知道各種印表機的強項與弱項 8 (Oelke et al., 2009) bad, problem wonderful, like 格子小: 評價人 少 格子大:評價人多
- 9. 將命名實體 化為顏色與符號 美國選舉新聞情感變化分析 (1/4) 9 (Wanner et al., 2009) 歐巴馬 拜登 民主黨 只有民主黨 麥卡恩 佩林 共和黨 只有共和黨 兩黨兼俱
- 10. 美國選舉新聞情感變化分析 (1/4) 10 (Wanner et al., 2009) 一小時內 的新聞 正面形容 負面形容 顏色越深： 越多類似新聞 標亮：使用者選 擇聚焦
- 13. 倫敦的情緒 1700年-1900年倫敦小說中地點與情緒的關聯(1/2) 13 (Heuser, Algee-Hewitt, & Lockhart, 2016) 快樂 (開闊) 矛盾 害怕 (拘禁)
- 14. 倫敦的情緒 1700年-1900年倫敦小說中地點與情緒的關聯(2/2) 14 (Heuser, Algee-Hewitt, & Lockhart, 2016) 灰底: 人口分佈
- 15. 各國新聞的不同情感分析 (1/2) 15 (Zhang et al., 2009) (Joy) 悲傷 快樂 厭惡 驚喜 生氣 接受 期待 害怕
- 16. 各大洲「伊拉克戰爭」新聞情感分析 各國新聞的不同情感分析 (2/2) 16 (Zhang et al., 2009) 越來越 正向 持續 負面
- 17. 17 情緒分析的工具
- 18. ● 主要針對英文：NLTK, TextBlob, VADER ● 跨國語言：SpaCy ● 搭配不同語言模型達到跨國語言：Flair ● 簡體中文：SnowNLP, Chinese-Sentiment-Analysis-Fund-Direction 注意情緒分析的 可處理語言 18
- 19. ● sanshizhang 2024年在Hugging Face發佈的模型 ● 用10萬筆以上的基金文本實作的中文情感分析模型，能夠 區分負面、正面、中性三類極性。 ○ 負面有專人處理，準確度較高 ○ 中性有可能不準確 ● 採用機器學習法，是基於BERT的架構訓練而成的模型 ● 主要處理簡體中文 Chinese-Sentiment-Analysis -Fund-Direction 19 https://huggingface.co/sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction
- 20. 正面：0.6408 情緒分析的舉例 20 彰化保安林生态护坡见效 3年监测PM2.5浓度减26% 輸入文字 [0] 負面 [1] 正面 [2] 中性 0.3431 0.6408 0.0161 情緒分析 結果
- 22. 22 實作3-1. 情緒分析
- 24. 輸入文件 24 title 彰化保安林生態護坡見效 3年監測PM2.5濃度減26% 教保員託法警朋友拍片訓話男童 台南教育局認做法不當 text_list.csv 實作3-1. 情緒分析 text_list.csv
- 26. 26 情緒分析 1. 開啟Colab 2. 取得並上傳text_list.csv 3. 取得並貼上Code Blocks 4. 執行程式 5. 查看output.csv WAKU WAKU!
- 28. 2. 取得並上傳 text_list.csv 28 實作3-1. 情緒分析 text_list.csv 檔案名稱 必須是 text_list.csv
- 29. 1. 讀取text_list.csv 2. 準備SA工具 3. 準備前處理工具 4. 執行SA分析 5. 儲存SA結果到 output.csv 3. 取得並貼上 Code Blocks 29 實作3-1. 情緒分析 Code Blocks 逐步從GitHub複製 並貼上到Colab
- 30. 4. 執行程式 30 Runtime > Run all 也可以按快速鍵Ctrl + F9
- 31. 5. 查看output.csv (1/2) 31 1. 如果執行完成 會看到output.csv 滑鼠左鍵雙擊開啟 2. 可以看到 output.csv的內容
- 32. 5. 查看output.csv (2/2) 32 text_idx predicted_sentiment probabilities 0 positive 0.6408013105392456 1 negative 0.9928398132324219 title 彰化保安林生態護坡見效 3年監測PM2.5濃度減26% 教保員託法警朋友拍片訓話男童 台南教育局認做法不當 text_list.csv text_ide = 0 text_ide = 1
- 38. 執行SA分析 (3/3) 38 title 彰化保安林生態護坡見效 3年監測PM2.5濃度減26% text_ide = 0 第一份文件 變成負面的了 關閉output.csv預覽，執行程式， output.csv的結果會是...
- 41. 如果輸入的新聞是英文？ 41 title 彰化保安林生態護坡見效 3年監測PM2.5濃度減26% 教保員託法警朋友拍片訓話男童 台南教育局認做法不當 Taiwan president's Hawaii trip draws Chinese anger text_list.csv 提示在... 實作1-2！
- 42. 能夠把NER跟SA的結果合併嗎？ 42 NER SA title 彰化保安林生態護坡見效 3年監測PM2.5濃度減26% 教保員託法警朋友拍片訓話男童 台南教育局認做法不當 text_list.csv
- 43. 43 結語
- 45. 只看文本，準嗎？ 45
- 50. 大數據 = 客觀? 50
- 51. ● 支援語言 ● 可處理文字長度 ● 如何產生規則/訓練模型 ● 未知詞彙的處理方式 ● 跟其他工具比較的結果 注意工具的適用範圍 51 自然語言處理 (NER, SA)
- 52. 不只有「分析」 52 1 擬定問題 2 找尋證據 3 採取行動 文本分析 字詞與主題分析 詞性與命名實體 順序分析 特徵分析 語義分析
- 55. 參考文獻 (1/2) 55 ● Zhang, L., & Liu, B. (2017). Sentiment Analysis and Opinion Mining. In C. Sammut & G. I. Webb (Eds.), Encyclopedia of Machine Learning and Data Mining (pp. 1152–1161). Springer US. https://doi.org/10.1007/978-1-4899-7687-1_100512 ● Oelke, D., Hao, M., Rohrdantz, C., Keim, D. A., Dayal, U., Haug, L., & Janetzko, H. (2009). Visual opinion analysis of customer feedback data. 2009 IEEE Symposium on Visual Analytics Science and Technology, 187–194. https://doi.org/10.1109/VAST.2009.5333919 ● Wanner, F., Rohrdantz, C., Mansmann, F., Oelke, D., & Keim, D. A. (2009). Visual Sentiment Analysis of RSS News Feeds Featuring the US Presidential Election in 2008. VISSW. https://kops.uni-konstanz.de/handle/123456789/5946
- 56. 參考文獻 (2/2) 56 ● Heuser, R., Algee-Hewitt, M., & Lockhart, A. (2016). Mapping the Emotions of London in Fiction, 1700–1900: A Crowdsourcing Experiment. In Literary Mapping in the Digital Age (pp. 25–46). https://doi.org/10.4324/9781315592596-12 ● Zhang, J., Kawai, Y., Kumamoto, T., & Tanaka, K. (2009). A Novel Visualization Method for Distinction of Web News Sentiment. In G. Vossen, D. D. E. Long, & J. X. Yu (Eds.), Web Information Systems Engineering—WISE 2009 (pp. 181–194). Springer Berlin Heidelberg.