snownlp简介

一、snownlp简介

snownlp是什么?

SnowNLP是一个python写的类库,可以方便的处理中文文本内容,是受到了TextBlob的启发而写的,由于现在大部分的自然语言处理库基本都是针对英文的,于是写了一个方便处理中文的类库,并且和TextBlob不同的是,这里没有用NLTK,所有的算法都是自己实现的,并且自带了一些训练好的字典。注意本程序都是处理的unicode编码,所以使用时请自行decode成unicode。

以上是官方对snownlp的描述,简单地说,snownlp是一个中文的自然语言处理的Python库,支持的中文自然语言操作包括:

  • 中文分词
  • 词性标注
  • 情感分析
  • 文本分类
  • 转换成拼音
  • 繁体转简体
  • 提取文本关键词
  • 提取文本摘要
  • tf,idf
  • Tokenization
  • 文本相似

在本文中,将重点介绍snownlp中的情感分析(Sentiment Analysis)。

二、snownlp情感分析模块的使用

2.1、snownlp库的安装

snownlp的安装方法如下:

pip install snownlp
   
   
     
     
     
     
  • 1

2.2、使用snownlp情感分析

利用snownlp进行情感分析的代码如下所示:

#coding:UTF-8
import sys
from snownlp import SnowNLP

def read_and_analysis(input_file, output_file):
f = open(input_file)
fw = open(output_file, “w”)
while True:
line = f.readline()
if not line:
break
lines = line.strip().split(“\t”)
if len(lines) < 2:
continue

s = SnowNLP(lines[1].decode('utf-8'))
# s.words 查询分词结果
seg_words = ""
for x in s.words:
  seg_words += "_"
  seg_words += x
# s.sentiments 查询最终的情感分析的得分
fw.write(lines[0] + "\t" + lines[1] + "\t" + seg_words.encode('utf-8') + "\t" + str(s.sentiments) + "\n")

fw.close()
f.close()

if name == main:
input_file = sys.argv[1]
output_file = sys.argv[2]
read_and_analysis(input_file, output_file)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30

上述代码会从文件中读取每一行的文本,并对其进行情感分析并输出最终的结果。

注:库中已经训练好的模型是基于商品的评论数据,因此,在实际使用的过程中,需要根据自己的情况,重新训练模型。

2.3、利用新的数据训练情感分析模型

在实际的项目中,需要根据实际的数据重新训练情感分析的模型,大致分为如下的几个步骤:

  • 准备正负样本,并分别保存,如正样本保存到pos.txt,负样本保存到neg.txt
  • 利用snownlp训练新的模型
  • 保存好新的模型

重新训练情感分析的代码如下所示:

#coding:UTF-8

from snownlp import sentiment

if name == main:
# 重新训练模型
sentiment.train(‘./neg.txt’, ‘./pos.txt’)
# 保存好新训练的模型
sentiment.save(‘sentiment.marshal’)

  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

注意:若是想要利用新训练的模型进行情感分析,需要修改代码中的调用模型的位置。

data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),'sentiment.marshal')
 
 
   
   
   
   
  • 1

三、snownlp情感分析的源码解析

snownlp中支持情感分析的模块在sentiment文件夹中,其核心代码为__init__.py

如下是Sentiment类的代码:

class Sentiment(object):
def __init__(self):
    self.classifier = Bayes() # 使用的是Bayes的模型

def save(self, fname, iszip=True):
    self.classifier.save(fname, iszip) # 保存最终的模型

def load(self, fname=data_path, iszip=True):
    self.classifier.load(fname, iszip) # 加载贝叶斯模型

# 分词以及去停用词的操作    
def handle(self, doc):
    words = seg.seg(doc) # 分词
    words = normal.filter_stop(words) # 去停用词
    return words # 返回分词后的结果

def train(self, neg_docs, pos_docs):
    data = []
    # 读入负样本
    for sent in neg_docs:
        data.append([self.handle(sent), 'neg'])
    # 读入正样本
    for sent in pos_docs:
        data.append([self.handle(sent), 'pos'])
    # 调用的是Bayes模型的训练方法
    self.classifier.train(data)

def classify(self, sent):
    # 1、调用sentiment类中的handle方法
    # 2、调用Bayes类中的classify方法
    ret, prob = self.classifier.classify(self.handle(sent)) # 调用贝叶斯中的classify方法
    if ret == 'pos':
        return prob
    return 1-probclass Sentiment(object):

def __init__(self):
    self.classifier = Bayes() # 使用的是Bayes的模型

def save(self, fname, iszip=True):
    self.classifier.save(fname, iszip) # 保存最终的模型

def load(self, fname=data_path, iszip=True):
    self.classifier.load(fname, iszip) # 加载贝叶斯模型

# 分词以及去停用词的操作    
def handle(self, doc):
    words = seg.seg(doc) # 分词
    words = normal.filter_stop(words) # 去停用词
    return words # 返回分词后的结果

def train(self, neg_docs, pos_docs):
    data = []
    # 读入负样本
    for sent in neg_docs:
        data.append([self.handle(sent), 'neg'])
    # 读入正样本
    for sent in pos_docs:
        data.append([self.handle(sent), 'pos'])
    # 调用的是Bayes模型的训练方法
    self.classifier.train(data)

def classify(self, sent):
    # 1、调用sentiment类中的handle方法
    # 2、调用Bayes类中的classify方法
    ret, prob = self.classifier.classify(self.handle(sent)) # 调用贝叶斯中的classify方法
    if ret == 'pos':
        return prob
    return 1-prob
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 65
  • 66
  • 67
  • 68
  • 69

从上述的代码中,classify函数和train函数是两个核心的函数,其中,train函数用于训练一个情感分类器,classify函数用于预测。在这两个函数中,都同时使用到的handle函数,handle函数的主要工作为:

  1. 对输入文本分词
  2. 去停用词

情感分类的基本模型是贝叶斯模型Bayes,对于贝叶斯模型,可以参见文章简单易学的机器学习算法——朴素贝叶斯。对于有两个类别c1c1的贝叶斯模型的基本过程为:

P(c1w1,,wn)=P(w1,,wnc1)P(c1)P(w1,,wn)P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn)

其中:

P(w1,,wn)=P(w1,,wnc1)P(c1)+P(w1,,wnc2)P(c2)P(w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)

3.1、贝叶斯模型的训练

贝叶斯模型的训练过程实质上是在统计每一个特征出现的频次,其核心代码如下:

def train(self, data):
    # data 中既包含正样本,也包含负样本
    for d in data: # data中是list
        # d[0]:分词的结果,list
        # d[1]:正/负样本的标记
        c = d[1]
        if c not in self.d:
            self.d[c] = AddOneProb() # 类的初始化
        for word in d[0]: # 分词结果中的每一个词
            self.d[c].add(word, 1)
    # 返回的是正类和负类之和
    self.total = sum(map(lambda x: self.d[x].getsum(), self.d.keys())) # 取得所有的d中的sum之和
 
 
   
   
   
   
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

这使用到了AddOneProb类,AddOneProb类如下所示:

class AddOneProb(BaseProb):
def __init__(self):
    self.d = {}
    self.total = 0.0
    self.none = 1 # 默认所有的none为1
# 这里如果value也等于1,则当key不存在时,累加的是2
def add(self, key, value):
    self.total += value
    # 不存在该key时,需新建key
    if not self.exists(key):
        self.d[key] = 1
        self.total += 1
    self.d[key] += value
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14

注意:

  1. none的默认值为1
  2. 当key不存在时,total和对应的d[key]累加的是1+value,这在后面预测时需要用到

AddOneProb类中的total表示的是正类或者负类中的所有值;train函数中的total表示的是正负类的total之和。

当统计好了训练样本中的total和每一个特征key的d[key]后,训练过程就构建完成了。

3.2、贝叶斯模型的预测

预测的过程使用到了上述的公式,即:

P(c1w1,,wn)=P(w1,,wnc1)P(c1)P(w1,,wnc1)P(c1)+P(w1,,wnc2)P(c2)P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)

对上述的公式简化:

P(c1w1,,wn)=P(w1,,wnc1)P(c1)P(w1,,wnc1)P(c1)+P(w1,,wnc2)P(c2)=11+P(w1,,wnc2)P(c2)P(w1,,wnc1)P(c1)=11+exp[log(P(w1,,wnc2)P(c2)P(w1,,wnc1)P(c1))]=11+exp[log(P(w1,,wnc2)P(c2))log(P(w1,,wnc1)P(c1))]P(c1∣w1,⋯,wn)=P(w1,⋯,wn∣c1)⋅P(c1)P(w1,⋯,wn∣c1)⋅P(c1)+P(w1,⋯,wn∣c2)⋅P(c2)=11+P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1)=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2)P(w1,⋯,wn∣c1)⋅P(c1))]=11+exp[log(P(w1,⋯,wn∣c2)⋅P(c2))−log(P(w1,⋯,wn∣c1)⋅P(c1))]

其中,分母中的1可以改写为:

1=exp[log(P(w1,,wnc1)P(c1))log(P(w1,,wnc1)P(c1))]1=exp[log(P(w1,⋯,wn∣c1)⋅P(c1))−log(P(w1,⋯,wn∣c1)⋅P(c1))]

参考文献

  1. snownlp github
  2. 自然语言处理库之snowNLP

你可能感兴趣的:(情感分析,nlp,数据分析)