前段时间找到了Cemotion这个NLP第三方库，发现它准确率高的惊人，Cemotion算法的优点在于准确率高、调用方便，缺点是运行较慢（相比其他NPL算法）、环境配置（自动安装TensorFlow环境，对python版本有要求）

前言

一、Cemotion库的安装

1.Pycharm安装法

2.pip安装方法

二、验证Cemotion情感分析准确率

1.加载库并实例化

2.读取评论文本数据

3.进行Cemotion情感值预测

4.验证准确率

三、Cemotion实际情感分析

1.加载库&设置开始计时器&读取数据

2.定义函数&批量处理所有的评论信息

3.输出excel&计时输出

总结

前言

介绍一下，Cemotion同Snownlp等NLP算法一样可以在Python中实现，主要拿来用于中文情感倾向分析，可以说是很专注了。Cemotion的模型原理是基于循环神经网络训练，会为中文文本返回 0～1之间的情感倾向置信度，当我们调用Cemotion库的时候会自动安装TensorFlow环境,是Google的开源深度学习框架，里边有大量的中文训练集-big_Chinese_Words_Map.dict。

在本文中，将重点介绍Cemotion中的情感分析，python版本：3.68，Cemotion版本：0.3.3，供大家参考。

一、Cemotion库的安装

1.Pycharm安装法

文件菜单栏中点击设置，然后选择项目中的解释器，点击“+”号按钮输入Cemotion即可查询下载，现在最新版本应该是0.3.3。

2.pip安装方法

也可在终端pip下载：

pip install snownlp

二、验证Cemotion情感分析准确率

首先还是准备一下测试数据，这次我从京东采集了130条赣南脐橙的在线评论文本，然后人工标注每条评论的情感正负性，情感正负性就是指该条评论代表了评论者的何种态度，其中-1表示贬义，1表示褒义。以下是样例：

1.加载库并实例化

第一步先设置软件的默认编码为utf-8；然后将Cemotion实例化；代码如下：

# -*- codeing = utf-8 -*-
import pandas as pd
from cemotion import Cemotion
c = Cemotion()

2.读取评论文本数据

通过pd(pandas)读取训练集excel表，第一列也就是comments列，是我们需要的评论数据

text = pd.read_excel(r'C:\Users\Desktop\Cemotion训练集.xlsx')
#text0读取text数据框的第一列的所有数据
text0=text.iloc[:,0]

3.进行Cemotion情感值预测

由于Cemotion本身的配置环境带有大量的中文训练集，因此一般不需要训练语料库，本文也就不准备训练集了；

对每条评论进行情感分析，并存入senti列表，以备后续准确率检验

senti = [] #遍历每条评论进行预测,依次存入senti列表
for i in text0:senti.append(c.predict(i))

4.验证准确率

预测结果为positive的概率，positive的概率大于等于0.6，我认为可以判断为积极情感，小于0.6的判断为消极情感。所以以下将概率大于等于0.6的评论标签赋为1，小于0.6的评论标签赋为-1，方便后面与实际标签进行比较：

newsenti=[]
for i in senti:if (i>=0.6):newsenti.append(1)else:newsenti.append(-1)
text['predict']=newsenti #将新的预测标签增加为text的某一列，所以现在text的第0列为评论文本，第1列为实际标签，第2列为预测标签
counts=0
for j in range(len(text.iloc[:,0])): #遍历所有标签，将预测标签和实际标签进行比较，相同则判断正确。if text.iloc[j,2]==text.iloc[j,1]:counts+=1
print(u"准确率为:%f"%(float(counts)/float(len(text))))#输出本次预测的准确率

运行结果为：

可以看到上述语料的情感分析准确率达到了96%，可以说是NLP算法中的第一梯队了，当然也与购物评论好评居多有关，而且比我之前检验的SnowNLP算法准确率（88%）要高出一截，大家也可以拿来检验自己的语料！

三、Cemotion实际情感分析

这部分是对在线评论数据（语料）进行实际情感分析，然后将情感分析后的结果输出excel结果，因为Cemotion算法基于循环神经网络方法，运行较慢，所以在代码中加了简单的计时脚本。

语料还是那个语料，不过删了人工标注的情感正负性

1.加载库&设置开始计时器&读取数据

import pandas as pd
from cemotion import Cemotion
c = Cemotion()
import time
start = time.clock()#程序运行前的当前时刻df = pd.read_excel(r'C:\Users\Desktop\Cemotion训练集.xlsx')

2.定义函数&批量处理所有的评论信息

#定义函数，批量处理所有的评论信息
def get_sentiment_cn(text):return c.predict(text)
#根据df里的“comments”列，将读取文本后的情感分析结果添加到新的一列，命名为“sentiment”
df["sentiment"] = df['comments'].apply(get_sentiment_cn)
print(df)

3.输出excel&计时输出

#储存为表格。
data1=df.to_excel(r'C:/Users/Desktop/CemotionSentiments.xlsx')
#输出程序运行时间
elapsed = (time.clock() - start)#结束后计时-开始前计时
print("Time used:%s 秒"%elapsed)

运行结果为：

如图，sentiment列即为Cemotion情感分析后的值，基本上带好评的评论的情感值趋近于1，130条语料的程序运行了10秒，时间花费较多，不过准确率很高！

总结

Cemotion情感分析准确率验证这方面内容不多，因此是按照SnowNLP模板来写的，有不足之处请大家批评指正，希望能多结识这方面的朋友，共同学习、共同进步。

基于Cemotion的在线评论情感分析及准确率验证（准确率：96%）相关推荐

Python实现基于LSTM的中文评论情感分析
资源下载地址:https://download.csdn.net/download/sheziqiong/85949420 资源下载地址:https://download.csdn.net/downl ...
【python数据挖掘课程】二十六.基于SnowNLP的豆瓣评论情感分析
这是<Python数据挖掘课程>系列文章,前面很多文章都讲解了分类.聚类算法,而这篇文章主要讲解如何调用SnowNLP库实现情感分析,处理的对象是豆瓣<肖申克救赎>的评论文本. ...
基于LSTM电商评论情感分析-多评价指标可视化版（内附源码）【自然语言处理NLP-100例】
基于双向LSTM的影评情感分析算法设计学习记录
引言需求分析,技术可行性(目前的研究进度),主流怎么做?我要如何做? 随着互联网技术的飞速发展及联网的便捷,越来越多的人在网上表达自己的意见.其中,电影评论受到广泛关注.很多人选择在闲暇时间观看电影 ...
商品评论情感分析——基于商品评论建立的产品综合评价模型（1）
商品评论情感分析--基于用户评论建立的产品综合评价模型(1) 1.背景 1.1问题分析 2.数据预处理 2.1删除无关数据 2.2文本去重 3.情感分析 4.LDA主题模型 4.1评论文本分词 4.2 ...
自然语言处理NLP-100例 | 第二篇：在线课程评论情感分析-本科毕设实战案例
大家好,我是K同学啊~ 春去秋来,时间就这样嘀嗒嘀嗒的过去,不知道大家的毕设做得怎么样了呢 K同学就今天和大家分享一篇关于在线课程评论情感分析的实战案例,帮助大家找找灵感. 数据用的是一份公开的在线课 ...
【自然语言处理（NLP）】基于FNN网络的电影评论情感分析
[自然语言处理(NLP)]基于FNN网络的电影评论情感分析作者简介:在校大学生一枚,华为云享专家,阿里云专家博主,腾云先锋(TDP)成员,云曦智划项目总负责人,全国高等学校计算机教学与产业实践资源建 ...
【人工智能毕设之基于Python+flask+bilstm的评论情感分析系统-哔哩哔哩】 https://b23.tv/QU56eTl
[人工智能毕设之基于Python+flask+bilstm的评论情感分析系统-哔哩哔哩] https://b23.tv/QU56eTl https://b23.tv/QU56eTl
基于用户评论情感分析详细设计与技术实现
基于用户评论情感分析详细设计与技术实现文章目录基于用户评论情感分析详细设计与技术实现前言一.技术架构二.分析服务器构建 1.1 创建flask项目 1.2 编写数据库连接脚本,获取用户评论数 ...

基于Cemotion的在线评论情感分析及准确率验证（准确率：96%）

前言

一、Cemotion库的安装

1.Pycharm安装法

2.pip安装方法

二、验证Cemotion情感分析准确率

1.加载库并实例化

2.读取评论文本数据

3.进行Cemotion情感值预测

4.验证准确率

三、Cemotion实际情感分析

1.加载库&设置开始计时器&读取数据

2.定义函数&批量处理所有的评论信息

3.输出excel&计时输出

总结

基于Cemotion的在线评论情感分析及准确率验证（准确率：96%）相关推荐

最新文章

热门文章