我一直在研究与Twitter情感分析相关的工作。我对Python编程有一些了解。由于我的研究涉及到编码，因此我已经对如何使用Python分析情绪进行了一些研究，以下是我所做的进展： 1. 对推文进行分词 2. 对分词进行词性标注 剩下的部分就是计算情感的积极和消极，这是我现在面临的问题，需要您的帮助。
以下是我的代码示例：
import nltk
sentence = "Iphone6 camera is awesome for low light "
token = nltk.word_tokenize(sentence)
tagged = nltk.pos_tag(token)
您的问题不太明确。您是需要使用Sentiwordnet的指南吗？如果是，请查看此链接，
http://www.nltk.org/howto/sentiwordnet.html
由于您已经对单词进行了分词和词性标注，现在您只需要使用以下语法即可，
swn.senti_synset('breakdown.n.03')
分解这个论点：
因此，对于标记数组中的每个元组，请创建上述字符串并将其传递给 senti_synset 函数，以获取该单词的正面、负面和客观得分。
注意：POS 标签器给出的标签与 senti_synset 接受的标签不同。请使用以下内容将其转换为 synset 符号。
n - NOUN
v - VERB
a - ADJECTIVE
s - ADJECTIVE SATELLITE
r - ADVERB
（感谢Using Sentiwordnet 3.0提供以上标注）
话虽如此，使用Sentiwordnet进行Twitter情感分析通常不是一个好主意，以下是原因：
推特充满了拼写错误和非词典词语，而Sentiwordnet经常无法识别。为了解决这个问题，您可以在对推文进行pos标记之前对其进行词形还原/词干提取，或者使用机器学习分类器，例如朴素贝叶斯，其中NLTK具有内置函数。至于分类器的训练数据集，要么手动注释数据集，要么使用预先标记的数据集，例如Sentiment140语料库。
如果您不想实际执行情感分析但需要给定推文的情感标签，则始终可以使用Sentiment140 API来实现此目的。
import nltk
sentence = "Iphone6 相机在低光下表现出色"
token = nltk.word_tokenize(sentence)
tagged = nltk.pos_tag(token) - pechdara@Saravana Kumar有一个很好的回答。
为了添加详细的代码，我写下了这篇文章。我参考了链接https://nlpforhackers.io/sentiment-analysis-intro/
from nltk.corpus import wordnet as wn
from nltk.corpus import sentiwordnet as swn
from nltk.stem import PorterStemmer
def penn_to_wn(tag):
"""
Convert between the PennTreebank tags to simple Wordnet tags
"""
if tag.startswith('J'):
return wn.ADJ
elif tag.startswith('N'):
return wn.NOUN
elif tag.startswith('R'):
return wn.ADV
elif tag.startswith('V'):
return wn.VERB
return None
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()
def get_sentiment(word,tag):
""" returns list of pos neg and objective score. But returns empty list if not present in senti wordnet. """
wn_tag = penn_to_wn(tag)
if wn_tag not in (wn.NOUN, wn.ADJ, wn.ADV):
return []
lemma = lemmatizer.lemmatize(word, pos=wn_tag)
if not lemma:
return []
synsets = wn.synsets(word, pos=wn_tag)
if not synsets:
return []
# Take the first sense, the most common
synset = synsets[0]
swn_synset = swn.senti_synset(synset.name())
return [swn_synset.pos_score(),swn_synset.neg_score(),swn_synset.obj_score()]
ps = PorterStemmer()
words_data = ['this','movie','is','wonderful']
# words_data = [ps.stem(x) for x in words_data] # if you want to further stem the word
pos_val = nltk.pos_tag(words_data)
senti_val = [get_sentiment(x,y) for (x,y) in pos_val]
print(f"pos_val is {pos_val}")
print(f"senti_val is {senti_val}")
输出
pos_val is [('this', 'DT'), ('movie', 'NN'), ('is', 'VBZ'), ('wonderful', 'JJ')]
senti_val is [[], [0.0, 0.0, 1.0], [], [0.75, 0.0, 0.25]]
这是我的解决方案：
from nltk.corpus import sentiwordnet as swn
from nltk.corpus import wordnet
from nltk.tag import pos_tag
from nltk.stem import WordNetLemmatizer
def get_wordnet_pos(word):
tag = nltk.pos_tag([word])[0][1][0].upper()
tag_dict = {"J": wordnet.ADJ,
"N": wordnet.NOUN,
"V": wordnet.VERB,
"R": wordnet.ADV}
return tag_dict.get(tag, wordnet.NOUN)
def get_sentiment_score_of_review(sentence):
# 1. Tokenize
tokens = nltk.word_tokenize(sentence)
lemmatizer = WordNetLemmatizer()
sentiment_score = 0.0
for word in tokens:
tag = get_wordnet_pos(word)
item_res = lemmatizer.lemmatize(word, tag)
if not item_res:
continue
synsets = wn.synsets(item_res, pos=tag)
if len(synsets) == 0:
print("Nope!", word)
continue
# Take the first, the most common
synset = synsets[0]
swn_synset = swn.senti_synset(synset.name())
sentiment_score += swn_synset.pos_score() - swn_synset.neg_score()
return sentiment_score
对于积极和消极情感，首先需要进行训练并训练模型。训练模型可以使用SVM，有一个开源库称为LibSVM可供使用。