拓端tecdat|R语言自然语言处理（NLP）：情感分析新闻文本数据
2024-05-11 17:40:12
原文链接：http://tecdat.cn/?p=19095
原文出处：拓端数据部落公众号
本文对R中的文本内容进行情感分析。此实现利用了各种现有的字典，此外，还可以创建自定义词典。自定义词典使用LASSO正则化作为一种统计方法来选择相关词语。最后，评估比较所有方法。
介绍
情感分析是自然语言处理（NLP），计算语言学和文本挖掘的核心研究分支。它是指从文本文档中提取主观信息的方法。换句话说，它提取表达意见的积极负面极性。人们也可能将情感分析称为 观点挖掘 （Pang and Lee 2008）。
相关视频：文本挖掘：主题模型（LDA）及R语言实现分析游记数据
文本挖掘：主题模型（LDA）及R语言实现分析游记数据
时长12:59
研究中的应用
最近，情感分析受到了广泛的关注（K. Ravi和Ravi 2015； Pang和Lee 2008），我们将在下面进行探讨。当前在金融和社会科学领域的研究利用情感分析来理解人类根据文本材料做出的决策。这立即揭示了对从业者以及金融研究和社会科学领域的从业者的多种含义：研究人员可以使用R提取与读者相关的文本成分，并在此基础上检验其假设。同样，从业人员可以衡量哪种措辞对他们的读者而言实际上很重要，并相应地提高他们的写作水平（Pröllochs，Feuerriegel和Neumann 2015）。在下面的两个案例研究中，我们从金融和社会科学中论证了增加的收益。
应用
几个应用程序演示了情感分析在组织和企业中的用途：
金融： 金融市场的投资者在行使股票所有权之前，会以金融新闻披露的形式参考文本信息。有趣的是，它们不仅依赖数据，而且还依赖信息，例如语气和情感（Henry 2008； Loughran和McDonald 2011； Tetlock 2007），从而极大地影响了股价。通过利用情感分析，自动化交易者可以分析财务披露中传达的情感，以便进行投资决策。
市场营销： 市场营销部门通常对跟踪品牌形象感兴趣。为此，他们从社交媒体上收集了大量用户意见，并评估个人对品牌，产品和服务的感受。
评级和评论平台： 评级和评论平台通过收集用户对某些产品和服务的评级或偏好来实现有价值的功能。在这里，人们可以自动处理大量用户生成的内容（UGC）并利用由此获得的知识。例如，人们可以确定哪些提示传达了积极或者负面的意见，甚至可以自动验证其可信度。
情感分析方法
随着情感分析被应用于广泛的领域和文本来源，研究已经设计出各种测量情感的方法。最近的文献综述（Pang and Lee 2008）提供了一个全面的，与领域无关的调查。
一方面，当机器学习方法追求高预测性能时，它是首选。但是，机器学习通常充当黑匣子，从而使解释变得困难。另一方面，基于字典的方法会生成肯定和否定单词的列表。然后，将这些单词的相应出现组合为单个情感评分。因此，基本的决定变得可追溯，研究人员可以理解导致特定情感的因素。
另外， SentimentAnalysis 允许生成定制的字典。它们针对特定领域进行了定制，与纯字典相比，提高了预测性能，并具有完全的可解释性。可以在（Pröllochs，Feuerriegel和Neumann 2018）中找到此方法的详细信息。
在执行情感分析的过程中，必须将正在运行的文本转换为一种机器可读的格式。这是通过执行一系列预处理操作来实现的。首先，将文本标记为单个单词，然后执行常见的预处理步骤：停用词的删除，词干，标点符号的删除以及小写的转换。这些操作也默认在中进行 SentimentAnalysis，但可以根据个人需要进行调整。
简短示范
# 分析单个字符极性（正/负）anaSen("是的，这对德国队来说是一场很棒的足球比赛！")
## [1] positive
## Levels: negative positive# 创建字符串向量documents <- c("哇，我真的很喜欢新的轻型军刀！"，"那本书很棒。"，"R是一种很棒的语言。"，"这家餐厅的服务很糟糕。""这既不是正面也不是负面。"，"服务员忘了我的甜点-多么糟糕的服务！")# 分析情感anaSen(documents)# 根据QDAP词典提取基于词典的情感sentiment$SentimentQDAP## [1] 0.3333333 0.5000000 0.5000000 -0.3333333 0.0000000 -0.4000000#查看情感方向（即正面，中性和负面）ToDirection(sentiment$SentimentQDAP)## [1] positive positive positive negative neutral negative
## Levels: negative neutral positiveresponse <- c(+1, +1, +1, -1, 0, -1)comToRne(sentiment, response)## WordCount SentimentGI NegativityGI
## cor -0.18569534 0.990011498 -9.974890e-01
## cor.t.statistic -0.37796447 14.044046450 -2.816913e+01
## cor.p.value 0.72465864 0.000149157 9.449687e-06
## lm.t.value -0.37796447 14.044046450 -2.816913e+01
## r.squared 0.03448276 0.980122766 9.949843e-01
## RMSE 3.82970843 0.450102869 1.186654e+00
## MAE 3.33333333 0.400000000 1.100000e+00
## Accuracy 0.66666667 1.000000000 6.666667e-01
## Precision NaN 1.000000000 NaN
## Sensitivity 0.00000000 1.000000000 0.000000e+00
## Specificity 1.00000000 1.000000000 1.000000e+00
## F1 0.00000000 0.500000000 0.000000e+00
## BalancedAccuracy 0.50000000 1.000000000 5.000000e-01
## avg.sentiment.pos.response 3.25000000 0.333333333 8.333333e-02
## avg.sentiment.neg.response 4.00000000 -0.633333333 6.333333e-01
## PositivityGI SentimentHE NegativityHE
## cor 0.942954167 0.4152274 -0.083045480
## cor.t.statistic 5.664705543 0.9128709 -0.166666667
## cor.p.value 0.004788521 0.4129544 0.875718144
## lm.t.value 5.664705543 0.9128709 -0.166666667
## r.squared 0.889162562 0.1724138 0.006896552
## RMSE 0.713624032 0.8416254 0.922958207
## MAE 0.666666667 0.7500000 0.888888889
## Accuracy 0.666666667 0.6666667 0.666666667
## Precision NaN NaN NaN
## Sensitivity 0.000000000 0.0000000 0.000000000
## Specificity 1.000000000 1.0000000 1.000000000
## F1 0.000000000 0.0000000 0.000000000
## BalancedAccuracy 0.500000000 0.5000000 0.500000000
## avg.sentiment.pos.response 0.416666667 0.1250000 0.083333333
## avg.sentiment.neg.response 0.000000000 0.0000000 0.000000000
## PositivityHE SentimentLM NegativityLM
## cor 0.3315938 0.7370455 -0.40804713
## cor.t.statistic 0.7029595 2.1811142 -0.89389841
## cor.p.value 0.5208394 0.0946266 0.42189973
## lm.t.value 0.7029595 2.1811142 -0.89389841
## r.squared 0.1099545 0.5432361 0.16650246
## RMSE 0.8525561 0.7234178 0.96186547
## MAE 0.8055556 0.6333333 0.92222222
## Accuracy 0.6666667 0.8333333 0.66666667
## Precision NaN 1.0000000 NaN
## Sensitivity 0.0000000 0.5000000 0.00000000
## Specificity 1.0000000 1.0000000 1.00000000
## F1 0.0000000 0.3333333 0.00000000
## BalancedAccuracy 0.5000000 0.7500000 0.50000000
## avg.sentiment.pos.response 0.2083333 0.2500000 0.08333333
## avg.sentiment.neg.response 0.0000000 -0.1000000 0.10000000
## PositivityLM RatioUncertaintyLM SentimentQDAP
## cor 0.6305283 NA 0.9865356369
## cor.t.statistic 1.6247248 NA 12.0642877257
## cor.p.value 0.1795458 NA 0.0002707131
## lm.t.value 1.6247248 NA 12.0642877257
## r.squared 0.3975659 NA 0.9732525629
## RMSE 0.7757911 0.9128709 0.5398902495
## MAE 0.7222222 0.8333333 0.4888888889
## Accuracy 0.6666667 0.6666667 1.0000000000
## Precision NaN NaN 1.0000000000
## Sensitivity 0.0000000 0.0000000 1.0000000000
## Specificity 1.0000000 1.0000000 1.0000000000
## F1 0.0000000 0.0000000 0.5000000000
## BalancedAccuracy 0.5000000 0.5000000 1.0000000000
## avg.sentiment.pos.response 0.3333333 0.0000000 0.3333333333
## avg.sentiment.neg.response 0.0000000 0.0000000 -0.3666666667
## NegativityQDAP PositivityQDAP
## cor -0.944339551 0.942954167
## cor.t.statistic -5.741148345 5.664705543
## cor.p.value 0.004560908 0.004788521
## lm.t.value -5.741148345 5.664705543
## r.squared 0.891777188 0.889162562
## RMSE 1.068401367 0.713624032
## MAE 1.011111111 0.666666667
## Accuracy 0.666666667 0.666666667
## Precision NaN NaN
## Sensitivity 0.000000000 0.000000000
## Specificity 1.000000000 1.000000000
## F1 0.000000000 0.000000000
## BalancedAccuracy 0.500000000 0.500000000
## avg.sentiment.pos.response 0.083333333 0.416666667
## avg.sentiment.neg.response 0.366666667 0.000000000## WordCount SentimentGI NegativityGI PositivityGI
## Accuracy 0.6666667 1.0000000 0.66666667 0.6666667
## Precision NaN 1.0000000 NaN NaN
## Sensitivity 0.0000000 1.0000000 0.00000000 0.0000000
## Specificity 1.0000000 1.0000000 1.00000000 1.0000000
## F1 0.0000000 0.5000000 0.00000000 0.0000000
## BalancedAccuracy 0.5000000 1.0000000 0.50000000 0.5000000
## avg.sentiment.pos.response 3.2500000 0.3333333 0.08333333 0.4166667
## avg.sentiment.neg.response 4.0000000 -0.6333333 0.63333333 0.0000000
## SentimentHE NegativityHE PositivityHE
## Accuracy 0.6666667 0.66666667 0.6666667
## Precision NaN NaN NaN
## Sensitivity 0.0000000 0.00000000 0.0000000
## Specificity 1.0000000 1.00000000 1.0000000
## F1 0.0000000 0.00000000 0.0000000
## BalancedAccuracy 0.5000000 0.50000000 0.5000000
## avg.sentiment.pos.response 0.1250000 0.08333333 0.2083333
## avg.sentiment.neg.response 0.0000000 0.00000000 0.0000000
## SentimentLM NegativityLM PositivityLM
## Accuracy 0.8333333 0.66666667 0.6666667
## Precision 1.0000000 NaN NaN
## Sensitivity 0.5000000 0.00000000 0.0000000
## Specificity 1.0000000 1.00000000 1.0000000
## F1 0.3333333 0.00000000 0.0000000
## BalancedAccuracy 0.7500000 0.50000000 0.5000000
## avg.sentiment.pos.response 0.2500000 0.08333333 0.3333333
## avg.sentiment.neg.response -0.1000000 0.10000000 0.0000000
## RatioUncertaintyLM SentimentQDAP NegativityQDAP
## Accuracy 0.6666667 1.0000000 0.66666667
## Precision NaN 1.0000000 NaN
## Sensitivity 0.0000000 1.0000000 0.00000000
## Specificity 1.0000000 1.0000000 1.00000000
## F1 0.0000000 0.5000000 0.00000000
## BalancedAccuracy 0.5000000 1.0000000 0.50000000
## avg.sentiment.pos.response 0.0000000 0.3333333 0.08333333
## avg.sentiment.neg.response 0.0000000 -0.3666667 0.36666667
## PositivityQDAP
## Accuracy 0.6666667
## Precision NaN
## Sensitivity 0.0000000
## Specificity 1.0000000
## F1 0.0000000
## BalancedAccuracy 0.5000000
## avg.sentiment.pos.response 0.4166667
## avg.sentiment.neg.response 0.0000000
从文本挖掘中执行了一组预处理操作。将标记每个文档，最后将输入转换为文档项矩阵。
输入
提供了具有其他几种输入格式的接口，其中包括
字符串向量。
在
tm软件包中实现的DocumentTermMatrix和 TermDocumentMatrix（Feinerer，Hornik和Meyer 2008）。tm软件包实现的语料库对象 （Feinerer，Hornik和Meyer 2008）。
我们在下面提供示例。
向量的字符串
documents <- c("这很好"，"这不好"，"这介于两者之间")
convertToDirection(analyzeSentiment(documents)$SentimentQDAP)## [1] positive negative neutral
## Levels: negative neutral positive文档词语矩阵
corpus <- VCorpus(VectorSource(documents))
convertToDirection(analyzeSentiment(corpus)$SentimentQDAP)## [1] positive negative neutral
## Levels: negative neutral positive语料库对象
## [1] positive negative neutral
## Levels: negative neutral positive可以直接与文档术语矩阵一起使用，因此一开始就可以使用自定义的预处理操作。之后，可以计算情感分数。例如，可以使用其他列表中的停用词替换停用词。
字典
可区分三种不同类型的词典。它们所存储的数据各不相同，这些数据最终还控制着可以应用哪种情感分析方法。字典如下：
SentimentDictionaryWordlist包含属于一个类别的单词列表。SentimentDictionaryBinary存储两个单词列表，一个用于肯定条目，一个用于否定条目。SentimentDictionaryWeighted允许单词的情感评分。
情感词典词表
# 替代d <- Dictionary(c(“不确定”，“可能”，“有可能”))
summary(d)## Dictionary type: word list (single set)
## Total entries: 3情感词典
d <- DictionaryBin(c(“增加”，“上升”，“更多”),c(“下降”))
summary(d)## Dictionary type: binary (positive / negative)
## Total entries: 5
## Positive entries: 3 (60%)
## Negative entries: 2 (40%)情感词典加权
d <- SentimentDictionaryWeighted(c(“增加”，“减少”，“退出”),c(+1, -1, -10),rep(NA, 3))
summary(d)## Dictionary type: weighted (words with individual scores)
## Total entries: 3
## Positive entries: 1 (33.33%)
## Negative entries: 2 (66.67%)
## Neutral entries: 0 (0%)
##
## Details
## Average score: -3.333333
## Median: -1
## Min: -10
## Max: 1
## Standard deviation: 5.859465
## Skewness: -0.6155602d <- SentimentDictionary(c(“增加”，“减少”，“退出”),c(+1, -1, -10),rep(NA, 3))
summary(d) ## Dictionary type: weighted (words with individual scores)
## Total entries: 3
## Positive entries: 1 (33.33%)
## Negative entries: 2 (66.67%)
## Neutral entries: 0 (0%)
##
## Details
## Average score: -3.333333
## Median: -1
## Min: -10
## Max: 1
## Standard deviation: 5.859465
## Skewness: -0.6155602字典生成
用向量的形式表示因变量。此外，变量给出了单词在文档中出现的次数。然后，该方法估计具有截距和系数的线性模型。估计基于LASSO正则化，它执行变量选择。这样，它将某些系数设置为正好为零。然后可以根据剩余单词的系数按极性对它们进行排序。
# 创建字符串向量documents <- c(“这是一件好事！”，“这是一件非常好的事！”，“没关系。”“这是一件坏事。”，“这是一件非常不好的事情。”)
response <- c(1, 0.5, 0, -0.5, -1)# 使用LASSO正则化生成字典dict## Type: weighted (words with individual scores)
## Intercept: 5.55333e-05
## -0.51 bad
## 0.51 goodsummary(dict)## Dictionary type: weighted (words with individual scores)
## Total entries: 2
## Positive entries: 1 (50%)
## Negative entries: 1 (50%)
## Neutral entries: 0 (0%)
##
## Details
## Average score: -5.251165e-05
## Median: -5.251165e-05
## Min: -0.5119851
## Max: 0.5118801
## Standard deviation: 0.7239821
## Skewness: 0有几种微调选项。只需更改参数，就可以用弹性网络模型替换LASSO 。
最后，可以使用read() 和 保存和重新加载字典 write()
评估
最终，例程允许人们进一步挖掘生成的字典。一方面，可以通过summary() 例程显示简单的概述 。另一方面，核密度估计也可以可视化正词和负词的分布。
## Comparing: wordlist vs weighted
##
## Total unique words: 4213
## Matching entries: 2 (0.0004747211%)
## Entries with same classification: 0 (0%)
## Entries with different classification: 2 (0.0004747211%)
## Correlation between scores of matching entries: 1## $totalUniqueWords
## [1] 4213
##
## $totalSameWords
## [1] 2
##
## $ratioSameWords
## [1] 0.0004747211
##
## $numWordsEqualClass
## [1] 0
##
## $numWordsDifferentClass
## [1] 2
##
## $ratioWordsEqualClass
## [1] 0
##
## $ratioWordsDifferentClass
## [1] 0.0004747211
##
## $correlation
## [1] 1## Dictionary
## cor 0.94868330
## cor.t.statistic 5.19615237
## cor.p.value 0.01384683
## lm.t.value 5.19615237
## r.squared 0.90000000
## RMSE 0.23301039
## MAE 0.20001111
## Accuracy 1.00000000
## Precision 1.00000000
## Sensitivity 1.00000000
## Specificity 1.00000000
## F1 0.57142857
## BalancedAccuracy 1.00000000
## avg.sentiment.pos.response 0.45116801
## avg.sentiment.neg.response -0.67675202
下面的示例演示如何将计算出的字典用于预测样本外数据的情感。然后通过将其与内置词典进行比较来评估预测性能。
test_documents <- c(“这既不是好事也不是坏事”，“真是好主意！”，“不错”
)pred <- predict(dict, test_documents)## Dictionary
## cor 5.922189e-05
## cor.t.statistic 5.922189e-05
## cor.p.value 9.999623e-01
## lm.t.value 5.922189e-05
## r.squared 3.507232e-09
## RMSE 8.523018e-01
## MAE 6.666521e-01
## Accuracy 3.333333e-01
## Precision 0.000000e+00
## Sensitivity NaN
## Specificity 3.333333e-01
## F1 0.000000e+00
## BalancedAccuracy NaN
## avg.sentiment.pos.response 1.457684e-05
## avg.sentiment.neg.response NaN
## WordCount SentimentGI NegativityGI
## cor -0.8660254 -0.18898224 0.18898224
## cor.t.statistic -1.7320508 -0.19245009 0.19245009
## cor.p.value 0.3333333 0.87896228 0.87896228
## lm.t.value -1.7320508 -0.19245009 0.19245009
## r.squared 0.7500000 0.03571429 0.03571429
## RMSE 1.8257419 1.19023807 0.60858062
## MAE 1.3333333 0.83333333 0.44444444
## Accuracy 1.0000000 0.66666667 1.00000000
## Precision NaN 0.00000000 NaN
## Sensitivity NaN NaN NaN
## Specificity 1.0000000 0.66666667 1.00000000
## F1 0.0000000 0.00000000 0.00000000
## BalancedAccuracy NaN NaN NaN
## avg.sentiment.pos.response 2.0000000 -0.16666667 0.44444444
## avg.sentiment.neg.response NaN NaN NaN
## PositivityGI SentimentHE NegativityHE
## cor -0.18898224 -0.18898224 NA
## cor.t.statistic -0.19245009 -0.19245009 NA
## cor.p.value 0.87896228 0.87896228 NA
## lm.t.value -0.19245009 -0.19245009 NA
## r.squared 0.03571429 0.03571429 NA
## RMSE 0.67357531 0.67357531 0.8164966
## MAE 0.61111111 0.61111111 0.6666667
## Accuracy 1.00000000 1.00000000 1.0000000
## Precision NaN NaN NaN
## Sensitivity NaN NaN NaN
## Specificity 1.00000000 1.00000000 1.0000000
## F1 0.00000000 0.00000000 0.0000000
## BalancedAccuracy NaN NaN NaN
## avg.sentiment.pos.response 0.27777778 0.27777778 0.0000000
## avg.sentiment.neg.response NaN NaN NaN
## PositivityHE SentimentLM NegativityLM
## cor -0.18898224 -0.18898224 0.18898224
## cor.t.statistic -0.19245009 -0.19245009 0.19245009
## cor.p.value 0.87896228 0.87896228 0.87896228
## lm.t.value -0.19245009 -0.19245009 0.19245009
## r.squared 0.03571429 0.03571429 0.03571429
## RMSE 0.67357531 1.19023807 0.60858062
## MAE 0.61111111 0.83333333 0.44444444
## Accuracy 1.00000000 0.66666667 1.00000000
## Precision NaN 0.00000000 NaN
## Sensitivity NaN NaN NaN
## Specificity 1.00000000 0.66666667 1.00000000
## F1 0.00000000 0.00000000 0.00000000
## BalancedAccuracy NaN NaN NaN
## avg.sentiment.pos.response 0.27777778 -0.16666667 0.44444444
## avg.sentiment.neg.response NaN NaN NaN
## PositivityLM RatioUncertaintyLM SentimentQDAP
## cor -0.18898224 NA -0.18898224
## cor.t.statistic -0.19245009 NA -0.19245009
## cor.p.value 0.87896228 NA 0.87896228
## lm.t.value -0.19245009 NA -0.19245009
## r.squared 0.03571429 NA 0.03571429
## RMSE 0.67357531 0.8164966 1.19023807
## MAE 0.61111111 0.6666667 0.83333333
## Accuracy 1.00000000 1.0000000 0.66666667
## Precision NaN NaN 0.00000000
## Sensitivity NaN NaN NaN
## Specificity 1.00000000 1.0000000 0.66666667
## F1 0.00000000 0.0000000 0.00000000
## BalancedAccuracy NaN NaN NaN
## avg.sentiment.pos.response 0.27777778 0.0000000 -0.16666667
## avg.sentiment.neg.response NaN NaN NaN
## NegativityQDAP PositivityQDAP
## cor 0.18898224 -0.18898224
## cor.t.statistic 0.19245009 -0.19245009
## cor.p.value 0.87896228 0.87896228
## lm.t.value 0.19245009 -0.19245009
## r.squared 0.03571429 0.03571429
## RMSE 0.60858062 0.67357531
## MAE 0.44444444 0.61111111
## Accuracy 1.00000000 1.00000000
## Precision NaN NaN
## Sensitivity NaN NaN
## Specificity 1.00000000 1.00000000
## F1 0.00000000 0.00000000
## BalancedAccuracy NaN NaN
## avg.sentiment.pos.response 0.44444444 0.27777778
## avg.sentiment.neg.response NaN NaN预处理
如果需要，可以实施适合特定需求的预处理阶段。如函数 ngram_tokenize() ，用于从语料库中提取n-gram。
tdm <- TermDocumentMatrix(corpus, control=list(wordLengths=c(1,Inf), tokenize=function(x) ngram_tokenize(x, char=FALSE, ngmin=1, ngmax=2)))
## Dictionary type: weighted (words with individual scores)
## Total entries: 7
## Positive entries: 4 (57.14%)
## Negative entries: 3 (42.86%)
## Neutral entries: 0 (0%)
##
## Details
## Average score: 5.814314e-06
## Median: 1.602469e-16
## Min: -0.4372794
## Max: 0.4381048
## Standard deviation: 0.301723
## Skewness: 0.00276835dict## Type: weighted (words with individual scores)
## Intercept: -5.102483e-05
## -0.44 不好
## -0.29 非常糟糕
## 0.29 好性能优化
## SentimentLM
## 1 0.5
## 2 0.5
## 3 0.0
## 4 -0.5
## 5 -0.5语言支持和可扩展性
可以适应其他语言使用。为此，需要在两点上进行更改：
预处理：使用参数
language=""来执行所有预处理操作。字典： 可以使用附带的字典生成方法 。然后，这可以自动生成可应用于给定语言的正负词词典。
下面的示例使用德语示例。最后，我们进行情感分析。
documents <- c("Das ist ein gutes Resultat","Das Ergebnis war schlecht")sentiment <- ana(documents,language="german",
sentiment## GermanSentiment
## 1 0.0
## 2 -0.5## [1] positive negative
## Levels: negative positive同样，可以使用自定义情感分数来实现字典。
woorden <- c("goed","slecht")
scores <- c(0.8,-0.5)
## DutchSentiment
## 1 -0.5实例
我们利用了tm 包中的路透社石油新闻 。
# 分析情感sentiment <- ana(crude)# 计算正面和负面新闻发布数量table(coToB(sentiment$SentimentLM))##
## negative positive
## 16 4# 情感最高和最低的新闻## [1] "HOUSTON OIL <HO> RESERVES STUDY COMPLETED"crude[[which.min(sentiment$SentimentLM)]]$meta$heading## [1] "DIAMOND SHAMROCK (DIA) CUTS CRUDE PRICES"# 查看情感变量的摘要统计summary(sentiment$SentimentLM)## Min. 1st Qu. Median Mean 3rd Qu. Max.
## -0.08772 -0.04366 -0.02341 -0.02953 -0.01375 0.00000# 可视化标准化情感变量的分布hist(scale(sentiment$SentimentLM))
# 计算相关
## SentimentLM SentimentHE SentimentQDAP
## SentimentLM 1.0000000 0.2769878 0.4769730
## SentimentHE 0.2769878 1.0000000 0.6141075
## SentimentQDAP 0.4769730 0.6141075 1.0000000# 1987-02-26 1987-03-02之间的原油新闻plot(senti$Sentime)
plot(SenLM, x=date, cumsum=TRUE)
单词计算
对单词进行计数 。
#词（无停用词）
## WordCount
## 1 3# 计算所有单词（包括停用词）
## WordCount
## 1 4参考文献
Feinerer，Ingo，Kurt Hornik和David Meyer。2008年。“ R中的文本挖掘基础结构”。 统计软件杂志 25（5）：1–54。
Tetlock，Paul C.，2007年。“将内容传递给投资者的情感：媒体在股票市场中的作用。” 金融杂志 62（3）：1139–68。
最受欢迎的见解
1.探析大数据期刊文章研究热点
2.618网购数据盘点-剁手族在关注什么
3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究
4.python主题建模可视化lda和t-sne交互式可视化
5.疫情下的新闻数据观察
6.python主题lda建模和t-sne可视化
7.r语言中对文本数据进行主题模型topic-modeling分析
8.主题模型：数据聆听人民网留言板的那些“网事”
9.python爬虫进行web抓取lda主题语义数据分析
拓端tecdat|R语言自然语言处理（NLP）：情感分析新闻文本数据相关推荐
- 拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
- 拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险 逻辑回归Logistic模型原理和R语言分类预测冠 ...
- 拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
- 拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的 房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子 人口众多 独生子女政策: ...
- 【R语言文本挖掘】：情感分析与词云图绘制
[R语言文本挖掘]:情感分析与词云图绘制
- R语言 深圳 面授_「深圳侦探电话」用R语言实现深度学习情感分析
04-16阅读数466 作者:黄天元,复旦大学博士在读,目前研究涵盖文本挖掘.社交网络预测和机器学习等.希望与你们分享学习心得,推广并加深R语言在业界的应用.邮箱:huang.tian-yuan... ...
- 自然语言处理NLP——情感分析（Sentiment Analysis）简述
基于文本的情感分析,主要关注文章中的主观句,所以,subjective classifier即将主观句从文本中分离出来,就是整个情感分析的第一步.一般来说,这个方法是基于规则的分类方法--句子中包含n ...
- R语言HAR和HEAVY模型分析高频金融数据波动率
最近我们被客户要求撰写关于金融数据波动率的研究报告,包括一些图形和统计输出. 摘要 在学术界和金融界,分析高频财务数据的经济价值现在显而易见.它是每日风险监控和预测的基础,也是高频交易的基础.为了在财 ...
- 拓端tecdat荣获掘金社区入驻新人奖
2021年7月,由掘金发起了"入驻成长礼"颁奖活动.本次活动邀请到知名开发者.服务机构代表等业界人士. 据了解,掘金社区"新入驻创作者礼"主要对已经积累了一定历 ...
- 拓端tecdat荣获2022年度51CTO博主之星
相信技术,传递价值,这是51CTO每一个技术创作者的动力与信念,2022 年度,拓端tecdat 作为新锐的数据分析咨询公司,在51CTO平台上,不断的输出优质的技术文章,分享前沿创新技术,输出最佳生 ...
最新文章
- autoware中lgsvl Simulator安装与使用：LGsvl Simulator 2021.2.1版（九）
- CAS Tomcat配置
- MyBatis-Plus 通用IService的使用
- electron 5.0.3版本 改动的地方
- 用C语言创建多个用户,实现支持多用户在线的FTP程序(C/S)
- Spring 事务失效的 8 大场景，面试官直呼666...
- cdh 差异_“Sahara/CDHPlugin”的版本间的差异
- datatables中的Options总结(2)
- jquery跨域调用webService
- 两万字详解MongoDB从入门到精通
- 剑指offer 29 多于一半的数
- 软件开发项目过程管理文档
- 【Verilog HDL】4选1数据选择器
- 新版犀牛书该不该入手？
- mysql校验规则居民身份证号_身份证号规则及校验
- .NET Framework 4 中的新增功能【转载】
- Layabox 2 使用其它编辑器开发layabox2d
- android contentprovider 生命周期,ContentProvider销毁/生命周期
- 幼儿园网络图怎么绘制_如何设计幼儿园主题网络图
- 剪贴板是计算机系统,剪贴板怎么打开,小编教你电脑剪贴板怎么打开