Day 20: 斯坦福CoreNLP —— 用Java给Twitter进行情感分析

今天学习如何使用斯坦福CoreNLP Java API来进行情感分析(sentiment analysis)。前几天，我还写了一篇关于如何使用TextBlob API在Python里做情感分析，我已经开发了一个应用程序，会筛选出给定关键词的推文(tweets)的情感，现在看看它能做什么。

应用

该演示应用程序在OpenShift http://sentiments-t20.rhcloud.com/ 运行，它有两个功能：

1. 第一个功能是，如果你给定Twitter搜索条件的列表会，它会显示最近20推关于给定的搜索词的情绪。必须要勾选下图所示的复选框来启用此功能，（情感）积极的推文将显示绿色，而消极的推文是红色的。
   

2. 第二个功能是做一些文字上的情感分析，如下图
   

什么是斯坦福CoreNLP？

斯坦福CoreNLP是一个Java自然语言分析库，它集成了所有的自然语言处理工具，包括词性的终端（POS）标注器，命名实体识别（NER），分析器，对指代消解系统，以及情感分析工具，并提供英语分析的模型文件。

准备

1. 基本的Java知识是必需的，安装最新的Java开发工具包（JDK ），可以是OpenJDK 7或Oracle JDK 7。
2. 从官方网站下载斯坦福CoreNLP包。
3. 注册一个OpenShift帐户，它是完全免费的，可以分配给每个用户1.5 GB的内存和3 GB的磁盘空间。
4. 安装RHC客户端工具，需要有ruby 1.8.7或更新的版本，如果已经有ruby gem，输入 sudo gem install rhc ，确保它是最新版本。要更新RHC的话，执行命令sudo gem update rhc，如需其他协助安装RHC命令行工具，请参阅该页面： https://www.openshift.com/developers/rhc-client-tools-install
5. 通过 rhc setup 命令设置您的OpenShift帐户，此命令将帮助你创建一个命名空间，并上传你的SSH keys到OpenShift服务器。

Github仓库

今天的演示应用程序的代码可以在GitHub找到：day20-stanford-sentiment-analysis-demo

---

在两分钟内启动并运行SentimentsApp

开始创建应用程序，名称为sentimentsapp。

$ rhc create-app sentimentsapp jbosseap --from-code=https://github.com/shekhargulati/day20-stanford-sentiment-analysis-demo.git

还可以使用如下指令：

$ rhc create-app sentimentsapp jbosseap -g medium --from-code=https://github.com/shekhargulati/day20-stanford-sentiment-analysis-demo.git

这将为应用程序创建一个容器，设置所有需要的SELinux政策和cgroup的配置，OpenShift也将创建一个私人git仓库并克隆到本地。然后，它会复制版本库到本地系统。最后，OpenShift会给外界提供一个DNS，该应用程序将在http://newsapp-{domain-name}.rhcloud.com/ 下可以访问（将 domain-name 更换为自己的域名）。

该应用程序还需要对应Twitter应用程序的4个环境变量，通过去https://dev.twitter.com/apps/new 创建一个新的Twitter应用程序，然后创建如下所示的4个环境变量。

$ rhc env set TWITTER_OAUTH_ACCESS_TOKEN= -a sentimentsapp

$ rhc env set TWITTER_OAUTH_ACCESS_TOKEN_SECRET= -a sentimentsapp

$rhc env set TWITTER_OAUTH_CONSUMER_KEY= -a sentimentsapp

$rhc env set TWITTER_OAUTH_CONSUMER_SECRET= -a sentimentsapp

重新启动应用程序，以确保服务器可以读取环境变量。

$ rhc restart-app --app sentimentsapp

开始在pom.xml中为stanford-corenlp和twitter4j增加Maven的依赖关系，使用3.3.0版本斯坦福corenlp作为情感分析的API。

<dependency>
    <groupId>edu.stanford.nlpgroupId>
    <artifactId>stanford-corenlpartifactId>
    <version>3.3.0version>
dependency>

<dependency>
    <groupId>org.twitter4jgroupId>
    <artifactId>twitter4j-coreartifactId>
    <version>[3.0,)version>
dependency>

该twitter4j依赖关系需要Twitter搜索。

通过更新 pom.xml 文件里的几个特性将Maven项目更新到Java 7：

<maven.compiler.source>1.7maven.compiler.source>
<maven.compiler.target>1.7maven.compiler.target>

现在就可以更新Maven项目了（右键单击>Maven>更新项目）。

启用CDI

使用CDI来进行依赖注入。CDI、上下文和依赖注入是一个Java EE 6规范，能够使依赖注入在Java EE 6的项目中。

在 src/main/webapp/WEB-INF 文件夹下建一个名为beans.xml中一个新的XML文件，启动CDI

<beans xmlns="http://java.sun.com/xml/ns/javaee" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:schemaLocation="http://java.sun.com/xml/ns/javaee http://java.sun.com/xml/ns/javaee/beans_1_0.xsd">

beans>

搜索Twitter的关键字

创建了一个新的类TwitterSearch，它使用Twitter4J API来搜索Twitter关键字。该API需要的Twitter应用程序配置参数，使用的环境变量得到这个值，而不是硬编码。

import java.util.Collections;
import java.util.List;

import twitter4j.Query;
import twitter4j.QueryResult;
import twitter4j.Status;
import twitter4j.Twitter;
import twitter4j.TwitterException;
import twitter4j.TwitterFactory;
import twitter4j.conf.ConfigurationBuilder;

public class TwitterSearch {

    public List search(String keyword) {
        ConfigurationBuilder cb = new ConfigurationBuilder();
        cb.setDebugEnabled(true).setOAuthConsumerKey(System.getenv("TWITTER_OAUTH_CONSUMER_KEY"))
                .setOAuthConsumerSecret(System.getenv("TWITTER_OAUTH_CONSUMER_SECRET"))
                .setOAuthAccessToken(System.getenv("TWITTER_OAUTH_ACCESS_TOKEN"))
                .setOAuthAccessTokenSecret(System.getenv("TWITTER_OAUTH_ACCESS_TOKEN_SECRET"));
        TwitterFactory tf = new TwitterFactory(cb.build());
        Twitter twitter = tf.getInstance();
        Query query = new Query(keyword + " -filter:retweets -filter:links -filter:replies -filter:images");
        query.setCount(20);
        query.setLocale("en");
        query.setLang("en");;
        try {
            QueryResult queryResult = twitter.search(query);
            return queryResult.getTweets();
        } catch (TwitterException e) {
            // ignore
            e.printStackTrace();
        }
        return Collections.emptyList();

    }


}

在上面的代码中，筛选了Twitter的搜索结果，以确保没有转推(retweet)、或带链接的推文、或有图片的推文，这样做的原因是为了确保我们得到的是有文字的推。

情感分析器(SentimentAnalyzer)

创建了一个叫SentimentAnalyzer的类，这个类就是对某一条推文进行情感分析的。

public class SentimentAnalyzer {

    public TweetWithSentiment findSentiment(String line) {

        Properties props = new Properties();
        props.setProperty("annotators", "tokenize, ssplit, parse, sentiment");
        StanfordCoreNLP pipeline = new StanfordCoreNLP(props);
        int mainSentiment = 0;
        if (line != null && line.length() > 0) {
            int longest = 0;
            Annotation annotation = pipeline.process(line);
            for (CoreMap sentence : annotation.get(CoreAnnotations.SentencesAnnotation.class)) {
                Tree tree = sentence.get(SentimentCoreAnnotations.AnnotatedTree.class);
                int sentiment = RNNCoreAnnotations.getPredictedClass(tree);
                String partText = sentence.toString();
                if (partText.length() > longest) {
                    mainSentiment = sentiment;
                    longest = partText.length();
                }

            }
        }
        if (mainSentiment == 2 || mainSentiment > 4 || mainSentiment < 0) {
            return null;
        }
        TweetWithSentiment tweetWithSentiment = new TweetWithSentiment(line, toCss(mainSentiment));
        return tweetWithSentiment;

    }
}

复制 englishPCFG.ser.gz 和 sentiment.ser.gz 模型到src/main/resources/edu/stanford/nlp/models/lexparser 和src/main/resources/edu/stanford/nlp/models/sentiment 文件夹下。

创建SentimentsResource

最后，创建了JAX-RS资源类。

public class SentimentsResource {

    @Inject
    private SentimentAnalyzer sentimentAnalyzer;

    @Inject
    private TwitterSearch twitterSearch;

    @GET
    @Produces(value = MediaType.APPLICATION_JSON)
    public List sentiments(@QueryParam("searchKeywords") String searchKeywords) {
        List results = new ArrayList<>();
        if (searchKeywords == null || searchKeywords.length() == 0) {
            return results;
        }

        Set keywords = new HashSet<>();
        for (String keyword : searchKeywords.split(",")) {
            keywords.add(keyword.trim().toLowerCase());
        }
        if (keywords.size() > 3) {
            keywords = new HashSet<>(new ArrayList<>(keywords).subList(0, 3));
        }
        for (String keyword : keywords) {
            List statuses = twitterSearch.search(keyword);
            System.out.println("Found statuses ... " + statuses.size());
            List sentiments = new ArrayList<>();
            for (Status status : statuses) {
                TweetWithSentiment tweetWithSentiment = sentimentAnalyzer.findSentiment(status.getText());
                if (tweetWithSentiment != null) {
                    sentiments.add(tweetWithSentiment);
                }
            }

            Result result = new Result(keyword, sentiments);
            results.add(result);
        }
        return results;
    }
}

上述代码执行以下操作：

1. 检查搜索关键字(searchkeywords)是否“不是无效且不为空”，然后将其拆分到一个数组里，只考虑三个搜索条件。
2. 然后对每一个搜索条件找到对应的推文，并做情感分析。
3. 最后将返回结果列表给用户。

今天就是这些，欢迎反馈。

---

原文 Day 20: Stanford CoreNLP--Performing Sentiment Analysis of Twitter using Java
翻译整理 SegmentFault