Python - การวิเคราะห์ความเชื่อมั่น
การวิเคราะห์ความหมายเป็นเรื่องเกี่ยวกับการวิเคราะห์ความคิดเห็นทั่วไปของผู้ชม อาจเป็นปฏิกิริยาต่อข่าวภาพยนตร์หรือทวีตเกี่ยวกับบางเรื่องที่กำลังสนทนา โดยทั่วไปปฏิกิริยาดังกล่าวจะถูกนำมาจากโซเชียลมีเดียและรวมเข้าไว้ในไฟล์เพื่อวิเคราะห์ผ่าน NLP เราจะใช้กรณีง่ายๆในการกำหนดคำเชิงบวกและเชิงลบก่อน จากนั้นใช้วิธีวิเคราะห์คำเหล่านั้นเป็นส่วนหนึ่งของประโยคโดยใช้คำเหล่านั้น เราใช้โมดูล sentiment_analyzer จาก nltk ก่อนอื่นเราทำการวิเคราะห์ด้วยคำเดียวจากนั้นใช้คำคู่ที่เรียกว่า bigrams สุดท้ายเราทำเครื่องหมายคำที่มีความรู้สึกเชิงลบตามที่กำหนดไว้ในmark_negation ฟังก์ชัน
import nltk
import nltk.sentiment.sentiment_analyzer
# Analysing for single words
def OneWord():
positive_words = ['good', 'progress', 'luck']
text = 'Hard Work brings progress and good luck.'.split()
analysis = nltk.sentiment.util.extract_unigram_feats(text, positive_words)
print(' ** Sentiment with one word **\n')
print(analysis)
# Analysing for a pair of words
def WithBigrams():
word_sets = [('Regular', 'fit'), ('fit', 'fine')]
text = 'Regular excercise makes you fit and fine'.split()
analysis = nltk.sentiment.util.extract_bigram_feats(text, word_sets)
print('\n*** Sentiment with bigrams ***\n')
print analysis
# Analysing the negation words.
def NegativeWord():
text = 'Lack of good health can not bring success to students'.split()
analysis = nltk.sentiment.util.mark_negation(text)
print('\n**Sentiment with Negative words**\n')
print(analysis)
OneWord()
WithBigrams()
NegativeWord()
เมื่อเรารันโปรแกรมข้างต้นเราจะได้ผลลัพธ์ดังต่อไปนี้ -
** Sentiment with one word **
{'contains(luck)': False, 'contains(good)': True, 'contains(progress)': True}
*** Sentiment with bigrams ***
{'contains(fit - fine)': False, 'contains(Regular - fit)': False}
**Sentiment with Negative words**
['Lack', 'of', 'good', 'health', 'can', 'not', 'bring_NEG', 'success_NEG', 'to_NEG', 'students_NEG']