情感分类工具集合

 

• BosonNLP

https://bosonnlp-py.readthedocs.io/

$ pip install bosonnlp

>>> from bosonnlp import BosonNLP
>>> nlp = BosonNLP('YOUR_API_TOKEN')
>>> nlp.sentiment('这家味道还不错')
[[0.8758192096636473, 0.12418079033635264]]

 

• paddlehub

安装直接通过pip install即可：

pip install paddlepaddle（这里用的是CPU版本）
pip install paddlehub

关于如何使用百度这个中文情感分析工具，最直接的方法还是follow官方demo脚本：

PaddleHub/demo/senta/senta_demo.py

在iPython中大致如下调用：

In [1]: import paddlehub as hub   In [2]: senta = hub.Module(name="senta_bilstm") 2019-07-06 22:33:01,181-INFO: Installing senta_bilstm module 2019-07-06 22:33:01,182-INFO: Module senta_bilstm already installed in /home/textminer/.paddlehub/modules/senta_bilstm   In [3]: test_text = ["这家餐厅很好吃", "这部电影真的很差劲","我爱自然语言处理"]   In [4]: input_dict = {"text": test_text}   In [5]: results = senta.sentiment_classify(data=input_dict) 2019-07-06 22:33:53,835-INFO: 13 pretrained paramaters loaded by PaddleHub 2019-07-06 22:33:53,839-INFO: 20 pretrained paramaters loaded by PaddleHub   In [6]: for result in results: ...: print(result) ...: {'positive_probs': 0.9363, 'text': '这家餐厅很好吃', 'sentiment_key': 'positive', 'negative_probs': 0.0637, 'sentiment_label': 2} {'positive_probs': 0.0213, 'text': '这部电影真的很差劲', 'sentiment_key': 'negative', 'negative_probs': 0.9787, 'sentiment_label': 0} {'positive_probs': 0.9501, 'text': '我爱自然语言处理', 'sentiment_key': 'positive', 'negative_probs': 0.0499, 'sentiment_label': 2}

 

目前百度Senta提供3个情感分析分类标签，分别是正向（Positive/积极)，负向（Negative/消极），中性（Neutral/中立)，中性的Case也会给出正向及负向概率，例如测试"我恨自然语言处理"，得到了一个中性分类标签，不过负向概率还是大一点

 

•  SnowNLP

#  快速示例教程
``` python
# [code]
import os
from snownlp import SnowNLP
from snownlp import sentiment
from snownlp import seg

# snownlp - demo
text = [u"今天我很快乐。你怎么样呀？",u"苏宁易购，是谁给你们下架OV的勇气",u"恐怖",u"质量不太好"];
s = SnowNLP(text[2]) #载入文本
print("[words]",s.words); # 分词
print("[sentiments]",s.sentiments); #情感性分析
for sentence in s.sentences :#分句
    print("[sentence]",sentence);
    pass;

#sentiment.train('./neg.txt', './pos.txt');# 重新训练语料模型
#sentiment.save('sentiment.marshal'); # 保存好新训练的词典模型
print("[seg.data_path]",seg.data_path); # 查看seg子模块的词典位置
print("[sentiment.data_path]",sentiment.data_path); # 查看sentiment子模块的词典位置