时间:2023-01-19 | 标签: | 作者:Q8 | 来源:网络
小提示:您能找到这篇{文本挖掘:避孕药主题情感分析}绝对不是偶然,我们能帮您找到潜在客户,解决您的困扰。如果您对本页介绍的文本挖掘:避孕药主题情感分析内容感兴趣,有相关需求意向欢迎拨打我们的服务热线,或留言咨询,我们将第一时间联系您! |
前言 距离上次文本挖掘小文章时间已经过了3个月了,北京已经入冬,有人说北京的冬天很冷,但是吃上火锅很暖;也有人说北京的冬天雾霾严重,太干。这两句表达的是对北京冬天的情感,即有正面也有负面。 如果在舆情分析而言,我们在做营销分析,分析产品、活动优劣,或者希望维护品牌PR,我们就需要针对消费者网络发声去分析情感,来帮助我们维护品牌,改善活动产品,来达到监测舆情分析效果。换句话说也就是我们今天分享的主题—sentiment 舆情分析思路笔者5年前做舆情分析时候一般来说就是人工舆情,并没有加入高级点的分析工具减少人工投入。随着R,python等的流行,同时,随着各种开源包tm,LDA,Rwordseg开发,以及高等概率数学的应用,例如分词算法根据隐性马尔科夫链算法编写而成(有兴趣的同学自己研究),让我们之前的工作量大大减少。因此人工舆情转换成人工纠正舆情大势所趋,即我们使用工具减少读帖子的时间,并且让机器学习,人工后期纠错。 一般而言,舆情分析报告分为以下几个步骤: 前两个可以作为统计分析-统计时间趋势音量,音量份额,后两个可以作为建模分析-主题分析,情感判别。 这里有个小插曲:上次分享的是主题分析,笔者最近又重新梳理了下LDA,发现tm包中文分词形成词频矩阵很不理想,这会导致LDA无法应用,因此,后续笔者会自己写个脚本将词频矩阵实现,这样会方便LDA,会方便聚类分析,以及预测分析。 言回正传,情感分析就是表达发言人对一个主题的看法,有好有坏,或者中立。情感分析应用分类两类,第一是给定正负面词,算分值,高于或者低于baseline则表示正面、负面情绪。第二,根据深度学习,利用神经网络来区分正负情感。本文先实现第一类情感分析。 第一类情感分析:正负面词典(简版)读入文本,数据清理本次还是以上次文本为输入项,将content_Full 内容做文本处理 清理原找抖音女粉丝赚钱则:
比如中文常规字符,‘的’‘地’‘得’‘我’等 添加词整合营销传播典例汇由于本文是医用词汇,需要添加的词汇偏重医用或者品牌,不让分词拆成单个字符 例如:妈富隆,调经 分词&词云图文本处理后,根据词频出现频次,且过滤掉分词为单个词的中文,绘制词云图,鼠标所过的词可以显示文本出现次数,例如避孕药:767次 载入正负词典正面词记1;负面词为-1,便于之后算分值划定情感 计算情感得分将文本中的分词按照中英文词典的正负面词打分,计算分值,若中性词(不出现字典)则记为0。 分值计算原理
情感分值=∑i=1(正面+中性)*(-1)t i 表示第i句话;t表示出现负面词的次数
结果正面发声分类结果: 负面发声结果 后续改进:
相关阅读
作者:冯大福,微信公众号:说说数据分析那些事儿 本文由 @shangyuan 于。,。 题图来自unsplash,基于CC0协议 |
上一篇:数据分析入门:初识数据埋点(一)
下一篇:不会机器学习,你照样可以预测用户流失
小提示:您应该对本页介绍的“文本挖掘:避孕药主题情感分析”相关内容感兴趣,若您有相关需求欢迎拨打我们的服务热线或留言咨询,我们尽快与您联系沟通文本挖掘:避孕药主题情感分析的相关事宜。
关键词:1年, 初级, 文本挖掘, 舆情