java 情感分析 情感分析 数据

情感分析（Sentiment analysis）是自然语言处理（NLP）方法中常见的应用，尤其是以提炼文本情绪内容为目的的分类。利用情感分析这样的方法，可以通过情感评分对定性数据进行定量分析。虽然情感充满了主观性，但情感定量分析已经有许多实用功能，例如企业藉此了解用户对产品的反映，或者判别在线评论中的仇恨言论。

 

情感分析最简单的形式就是借助包含积极和消极词的字典。每个词在情感上都有分值，通常 +1 代表积极情绪，-1 代表消极。接着，我们简单累加句子中所有词的情感分值来计算最终的总分。显而易见，这样的做法存在许多缺陷，最重要的就是忽略了语境（context）和邻近的词。例如一个简单的短语“not good”最终的情感得分是 0，因为“not”是 -1，“good”是 +1。正常人会将这个短语归类为消极情绪，尽管有“good”的出现。

 

另一个常见的做法是以文本进行“词袋（bag of words）”建模。我们把每个文本视为 1 到 N 的向量，N 是所有词汇（vocabulary）的大小。每一列是一个词，对应的值是这个词出现的次数。比如说短语“bag of bag of words”可以编码为 [2, 2, 1]。这个值可以作为诸如逻辑回归（logistic regression）、支持向量机（SVM）的机器学习算法的输入，以此来进行分类。这样可以对未知的（unseen）数据进行情感预测。注意这需要已知情感的数据通过监督式学习的方式（supervised fashion）来训练。虽然和前一个方法相比有了明显的进步，但依然忽略了语境，而且数据的大小会随着词汇的大小增加。

 

Word2Vec 和 Doc2Vec

 

近几年，Google 开发了名为 Word2Vec 新方法，既能获取词的语境，同时又减少了数据大小。Word2Vec 实际上有两种不一样的方法：CBOW（Continuous Bag of Words，连续词袋）和 Skip-gram。对于 CBOW，目标是在给定邻近词的情况下预测单独的单词。Skip-gram 则相反：我们希望给定一个单独的词（见图 1）来预测某个范围的词。两个方法都使用人工神经网络（Artificial Neural Networks）来作为它们的分类算法。首先，词汇表中的每个单词都是随机的 N 维向量。在训练过程中，算法会利用 CBOW 或者 Skip-gram 来学习每个词的最优向量。

 

图 1：CBOW 以及 Skip-Gram 结构图，选自《Efficient Estimation of Word Representations in Vector Space》。W(t) 代表当前的单词，而w(t-2)， w(t-1) 等则是邻近的单词。

 

这些词向量现在可以考虑到上下文的语境了。这可以看作是利用基本的代数式来挖掘词的关系（例如：“king” – “man” + “woman” = “queen”）。这些词向量可以作为分类算法的输入来预测情感，有别于词袋模型的方法。这样的优势在于我们可以联系词的语境，并且我们的特征空间（feature space）的维度非常低（通常约为 300，相对于约为 100000 的词汇）。在神经网络提取出这些特征之后，我们还必须手动创建一小部分特征。由于文本长度不一，将以全体词向量的均值作为分类算法的输入来归类整个文档。

 

然而，即使使用了上述对词向量取均值的方法，我们仍然忽略了词序。Quoc Le 和 Tomas Mikolov 提出了 Doc2Vec 的方法对长度不一的文本进行描述。这个方法除了在原有基础上添加 paragraph / document 向量以外，基本和 Word2Vec 一致，也存在两种方法：DM（Distributed Memory，分布式内存）和分布式词袋（DBOW）。DM 试图在给定前面部分的词和 paragraph 向量来预测后面单独的单词。即使文本中的语境在变化，但 paragraph 向量不会变化，并且能保存词序信息。DBOW 则利用paragraph 来预测段落中一组随机的词（见图 2）。

 

图 2: Doc2Vec 方法结构图，选自《Distributed Representations of Sentences and Documents》。

 

一旦经过训练，paragraph 向量就可以作为情感分类器的输入而不需要所有单词。这是目前对 IMDB 电影评论数据集进行情感分类最先进的方法，错误率只有 7.42%。当然，如果这个方法不实用，说这些都没有意义。幸运的是，一个 Python 第三方库 gensim 提供了 Word2Vec 和 Doc2Vec 的优化版本。

 

基于 Python 的 Word2Vec 举例

 

在本节我们将会展示怎么在情感分类任务中使用词向量。gensim 这个库是 Anaconda 发行版中的标配，你同样可以利用 pip 来安装。利用它你可以在自己的语料库（一个文档数据集）中训练词向量或者导入 C text 或二进制格式的已经训练好的向量。

 

fromgensim.models.word2vec importWord2Vec

 

modelWord2Vec.load_word2vec_format('vectors.txt',binary=False)#C text 格式

modelWord2Vec.load_word2vec_format('vectors.bin',binary=True)#二进制格式

 

我发现读取谷歌已经训练好的词向量尤其管用，这些向量来自谷歌新闻（Google News），由超过千亿级别的词训练而成，“已经训练过的词和短语向量”可以在这里找到。注意未压缩的文件有 3.5 G。通过 Google 词向量我们能够发现词与词之间有趣的关联：

 

fromgensim.models.word2vec importWord2Vec

 

modelWord2Vec.load_word2vec_format('GoogleNews-vectors-negative300.bin',binary=True)

 

model.most_similar(positive=['woman','king'],negative=['man'],topn=5)

 

[(u'queen',0.711819589138031),

(u'monarch',0.618967592716217),

(u'princess',0.5902432799339294),

(u'crown_prince',0.5499461889266968),

(u'prince',0.5377323031425476)]

 

有趣的是它可以发现语法关系，例如识别最高级（superlatives）和动词词干（stems）：

 

“biggest” – “big” + “small” = “smallest”

 

model.most_similar(positive=['biggest','small'],negative=['big'],topn=5)

 

[(u'smallest',0.6086569428443909),

(u'largest',0.6007465720176697),

(u'tiny',0.5387299656867981),

(u'large',0.456944078207016),

(u'minuscule',0.43401968479156494)]

 

“ate” – “eat” + “speak” = “spoke”

 

model.most_similar(positive=['ate','speak'],negative=['eat'],topn=5)

 

[(u'spoke',0.6965223550796509),

(u'speaking',0.6261293292045593),

(u'conversed',0.5754593014717102),

(u'spoken',0.570488452911377),

(u'speaks',0.5630602240562439)]

 

由以上例子可以清楚认识到 Word2Vec 能够学习词与词之间的有意义的关系。这也就是为什么它对于许多 NLP 任务有如此大的威力，包括在本文中的情感分析。在我们用它解决起情感分析问题以前，让我们先测试一下 Word2Vec 对词分类（separate）和聚类（cluster）的本事。我们会用到三个示例词集：食物类（food）、运动类（sports）和天气类（weather），选自一个非常棒的网站 Enchanted Learning。因为这些向量有 300 个维度，为了在 2D 平面上可视化，我们会用到 Scikit-Learn’s 中叫作“t-SNE”的降维算法操作

 

首先必须像下面这样取得词向量：

 

importnumpy asnp

 

withopen('food_words.txt','r')asinfile:

food_wordsinfile.readlines()

 

withopen('sports_words.txt','r')asinfile:

sports_wordsinfile.readlines()

 

withopen('weather_words.txt','r')asinfile:

weather_wordsinfile.readlines()

 

defgetWordVecs(words):

vecs[]

forword inwords:

wordword.replace('n','')

try:

vecs.append(model[word].reshape((1,300)))

exceptKeyError:

continue

vecsnp.concatenate(vecs)

returnnp.array(vecs,dtype='float')#TSNE expects float type values

 

food_vecsgetWordVecs(food_words)

sports_vecsgetWordVecs(sports_words)

weather_vecsgetWordVecs(weather_words)

 

我们接着使用 TSNE 和 matplotlib 可视化聚类，代码如下：

 

fromsklearn.manifold importTSNE

importmatplotlib.pyplot asplt

 

tsTSNE(2)

reduced_vecsts.fit_transform(np.concatenate((food_vecs,sports_vecs,weather_vecs)))

 

#color points by word group to see if Word2Vec can separate them

foriinrange(len(reduced_vecs)):

ifilt;len(food_vecs):

#food words colored blue

color'b'

elifigt;= len(food_vecs)andilt;(len(food_vecs)len(sports_vecs)):

#sports words colored red

color'r'

else:

#weather words colored green

color'g'

plt.plot(reduced_vecs[i,0],reduced_vecs[i,1],marker='o',color=color,markersize=8)

 

importnumpy asnp

 

withopen('food_words.txt','r')asinfile:

food_wordsinfile.readlines()

 

withopen('sports_words.txt','r')asinfile:

sports_wordsinfile.readlines()

 

withopen('weather_words.txt','r')asinfile:

weather_wordsinfile.readlines()

 

defgetWordVecs(words):

vecs[]

forword inwords:

wordword.replace('n','')

try:

vecs.append(model[word].reshape((1,300)))

exceptKeyError:

continue

vecsnp.concatenate(vecs)

returnnp.array(vecs,dtype='float')#TSNE 要求浮点型的值

 

food_vecsgetWordVecs(food_words)

sports_vecsgetWordVecs(sports_words)

weather_vecsgetWordVecs(weather_words)

 

结果如下：

 

 

图 3：食物类单词（蓝色），运动类单词（红色）和天气类单词（绿色）T-SNE 集群效果图。

 

我们可以从上面的例子看到，Word2Vec 不仅能有效分类不相关的单词，同样也能聚类类似的词。

 

推特 Emoji 情感分析

 

现在我们进入下一个例程，利用符号表情作为搜索词的推特情感分析。我们把这些符号表情作为我们数据的“模糊（fuzzy）”标签；微笑表情（:-)）与积极情绪对应，而皱眉表情（:-(）则对应消极情绪。在大约 400,000 条推特数据中，积极和消极的各占一半（even split）。我们对积极和消极情绪的推特进行了随机采样，并按80 / 20 的比例分为了训练集/ 测试集。我们接着在 Word2Vec 模型上训练推特。为了避免数据泄露（data leakage），在训练数据集分类完成以前我们都不会在 Word2Vec 上训练。为了结构化分类器的输入，我们对所有推特词向量取均值。我们会用到 Scikit-Learn 这个第三方库做大量的机器学习。

 

我们首先导入我们的数据并训练 Word2Vec 模型

 

fromsklearn.cross_validation importtrain_test_split

fromgensim.models.word2vec importWord2Vec

 

withopen('twitter_data/pos_tweets.txt','r')asinfile:

pos_tweetsinfile.readlines()

 

withopen('twitter_data/neg_tweets.txt','r')asinfile:

neg_tweetsinfile.readlines()

 

# 1 代表积极情绪，0 代表消极情绪

ynp.concatenate((np.ones(len(pos_tweets)),np.zeros(len(neg_tweets))))

 

x_train,x_test,y_train,y_testtrain_test_split(np.concatenate((pos_tweets,neg_tweets)),y,test_size=0.2)

 

# 零星的预处理

defcleanText(corpus):

corpus[z.lower().replace('n','').split()forzincorpus]

returncorpus

 

x_traincleanText(x_train)

x_testcleanText(x_test)

 

n_dim300

# 初始化模型并创建词汇表（vocab）

imdb_w2vWord2Vec(size=n_dim,min_count=10)

imdb_w2v.build_vocab(x_train)

 

# 训练模型 (会花费几分钟)

imdb_w2v.train(x_train)

 

下面我们必须对输入文本创建词向量，为了平均推特中的所有词向量，将用到如下的函数：

 

# 对训练数据集创建词向量，接着进行比例缩放（scale）。

defbuildWordVector(text,size):

vecnp.zeros(size).reshape((1,size))

count0.

forword intext:

try:

vecimdb_w2v[word].reshape((1,size))

count1.

exceptKeyError:

continue

ifcount0:

veccount

returnvec

 

对我们的数据集进行缩放是标准化处理的一部分。通过均值为零的高斯分布，意味着大于均值则为积极，小于则为消极。许多机器学习模型要求使用缩放过的数据集来获得更好的处理效果，尤其是多特征（例如文本分类）。

 

fromsklearn.preprocessing importscale

train_vecsnp.concatenate([buildWordVector(z,n_dim)forzinx_train])

train_vecsscale(train_vecs)

 

# 在测试推特数据集中训练 Word2Vec

imdb_w2v.train(x_test)

 

最终我们必须创建测试数据向量并进行比例缩放来评估。

 

# 创建测试推特向量并缩放

test_vecsnp.concatenate([buildWordVector(z,n_dim)forzinx_test])

test_vecsscale(test_vecs)

 

下面我们想通过计算测试数据的预测精度来验证我们的分类器，同时测试它们的 ROC 曲线（Receiver Operating Characteristic，受试者操作特征曲线）。当模型参数调节时，ROC 曲线会测试分类器的真阳性（true-positive）以及假阳性（false-positive）。本例中，我们通过调节边界阈值概率（cut-off threshold probability）将某条推特分类为积极或消极情绪。通常，更希望得到最大化的真阳性和最小化的假阳性，也就是 ROC 曲线下方最大的区域（AUC）。通过这里更多地了解 ROC 曲线。

 

开始训练我们的分类器，本例对逻辑回归（Logistic Regression）使用随机梯度下降（Stochastic Gradient Descent）。

 

# 使用分类算法（例如：随机逻辑回归（Stochastic Logistic Regression）来训练数据集，接着从 sklearn.linear_model 导入 SGDClassifier 进行模型处理）

 

lrSGDClassifier(loss='log',penalty='l1')

lr.fit(train_vecs,y_train)

 

print'Test Accuracy: %.2f'%lr.score(test_vecs,y_test)

 

我们利用 matplotlib 和 Scikit-Learn 的 metric 包中的 roc_curve 创建 ROC 曲线来评估。

 

# 创建 ROC 曲线

fromsklearn.metrics importroc_curve,auc

importmatplotlib.pyplot asplt

 

pred_probaslr.predict_proba(test_vecs)[:,1]

 

fpr,tpr,_roc_curve(y_test,pred_probas)

roc_aucauc(fpr,tpr)

plt.plot(fpr,tpr,label='area = %.2f'roc_auc)

plt.plot([0,1],[0,1],'k--')

plt.xlim([0.0,1.0])

plt.ylim([0.0,1.05])

plt.legend(loc='lower right')

 

plt.show()

 

曲线结果如下：

 

 

图 4：逻辑分类器对推特训练数据的 ROC 曲线

 

没有创建任何特征以及最小化的文本预处理，利用 Scikit-Learn 提供的简单线性模型我们已经实现了 73% 的测试准确率。有趣的是，移除了标点符号实际上反而降低了准确率，说明当“？”或“！”出现时，Word2Vec 能够找到有趣的特征。将这些标点视为独立的单词，训练更长的时间，做更多的预处理，调节 Word2Vec 和分类器中的参数这些方法都有助于准确率的提升。我已经发现配合使用人工神经网络（ANN）能够提高大概 5% 的准确率。因为 Scikit-Learn 没有提供 ANN 分类器的实现工具，所以我自己写了一个：

 

fromNNet importNeuralNet

 

nnetNeuralNet(100,learn_rate=1e-1,penalty=1e-8)

maxiter1000

batch150

_nnet.fit(train_vecs,y_train,fine_tune=False,maxiter=maxiter,SGD=True,batch=batch,rho=0.9)

 

print'Test Accuracy: %.2f'%nnet.score(test_vecs,y_test)

 

最终准确率为 77%。不论什么机器学习任务，选对模型的艺术性大于科学性。如果你想用我写的库你可以在这找到。友情提示，它看起来比较乱并且没有定期维护！如果你想贡献代码欢迎 fork 我的代码仓。它非常需要被宠幸（TLC）。

 

基于 Doc2Vec 的电影评论分析

 

在推特的例子中，使用词向量的均值效果良好。这是因为推特通常是几十个词的长度，即使取均值也能保留相关的特征。然而，一旦我们上升到段落的规模，忽略词序和上下文信息将面临丢失大量特征的风险。这样的情况下更适合使用 Doc2Vec 创建输入特征。我们将使用 IMDB 电影评论数据集 作为示例来测试 Word2Vec 在情感分析中的有效性。数据集中包含了 25,000 条积极评论，25,000 条消极评论和 50,000 条未标记的电影评论。我们首先利用 Doc2Vec 对未标记评论进行训练。除了同时使用 DM 和 DBOW 向量作为输入以外，方法和上一节 Word2Vec 例子相同。

 

importgensim

 

LabeledSentencegensim.models.doc2vec.LabeledSentence

 

fromsklearn.cross_validation importtrain_test_split

importnumpy asnp

 

withopen('IMDB_data/pos.txt','r')asinfile:

pos_reviewsinfile.readlines()

 

withopen('IMDB_data/neg.txt','r')asinfile:

neg_reviewsinfile.readlines()

 

withopen('IMDB_data/unsup.txt','r')asinfile:

unsup_reviewsinfile.readlines()

 

# 1 代表积极情绪，0 代表消极情绪

ynp.concatenate((np.ones(len(pos_reviews)),np.zeros(len(neg_reviews))))

 

x_train,x_test,y_train,y_testtrain_test_split(np.concatenate((pos_reviews,neg_reviews)),y,test_size=0.2)

 

# 零星的预处理

defcleanText(corpus):

punctuation""".,?!:;(){}[]"""

corpus[z.lower().replace('n','')forzincorpus]

corpus[z.replace('<br />',' ')forzincorpus]

 

# 将标点视为一个单词

forcinpunctuation:

corpus[z.replace(c,' %s '%c)forzincorpus]

corpus[z.split()forzincorpus]

returncorpus

 

x_traincleanText(x_train)

x_testcleanText(x_test)

unsup_reviewscleanText(unsup_reviews)

 

# Gensim 的 Doc2Vec 工具要求每个文档/段落包含一个与之关联的标签。我们利用 LabeledSentence 进行处理。格式形如 “TRAIN_i” 或者 “TEST_i”，其中 “i” 是假的评论索引。

deflabelizeReviews(reviews,label_type):

labelized[]

fori,vinenumerate(reviews):

label'%s_%s'%(label_type,i)

labelized.append(LabeledSentence(v,[label]))

returnlabelized

 

x_trainlabelizeReviews(x_train,'TRAIN')

x_testlabelizeReviews(x_test,'TEST')

unsup_reviewslabelizeReviews(unsup_reviews,'UNSUP')

 

这么一来创建了 LabeledSentence 类型对象：

 

<gensim.models.doc2vec.LabeledSentence at 0xedd70b70>

 

下面我们实例化两个 Doc2Vec 模型，DM 和 DBOW。gensim 文档建议多次训练数据，并且在每一步（pass）调节学习率（learning rate）或者用随机顺序输入文本。接着我们收集了通过模型训练后的电影评论向量。

 

importrandom

 

size400

 

# 实例化 DM 和 DBOW 模型

model_dmgensim.models.Doc2Vec(min_count=1,window=10,size=size,sample=1e-3,negative=5,workers=3)

model_dbowgensim.models.Doc2Vec(min_count=1,window=10,size=size,sample=1e-3,negative=5,dm=0,workers=3)

 

# 对所有评论创建词汇表

model_dm.build_vocab(np.concatenate((x_train,x_test,unsup_reviews)))

model_dbow.build_vocab(np.concatenate((x_train,x_test,unsup_reviews)))

 

# 多次传入数据集，通过每次滑动（shuffling）来提高准确率。

all_train_reviewsnp.concatenate((x_train,unsup_reviews))

forepoch inrange(10):

permnp.random.permutation(all_train_reviews.shape[0])

model_dm.train(all_train_reviews[perm])

model_dbow.train(all_train_reviews[perm])

 

# 从我们的模型中获得训练过的向量

defgetVecs(model,corpus,size):

vecs[np.array(model[z.labels[0]]).reshape((1,size))forzincorpus]

returnnp.concatenate(vecs)

 

train_vecs_dmgetVecs(model_dm,x_train,size)

train_vecs_dbowgetVecs(model_dbow,x_train,size)

 

train_vecsnp.hstack((train_vecs_dm,train_vecs_dbow))

 

# 训练测试数据集

x_testnp.array(x_test)

 

forepoch inrange(10):

permnp.random.permutation(x_test.shape[0])

model_dm.train(x_test[perm])

model_dbow.train(x_test[perm])

 

# 创建测试数据集向量

test_vecs_dmgetVecs(model_dm,x_test,size)

test_vecs_dbowgetVecs(model_dbow,x_test,size)

 

test_vecsnp.hstack((test_vecs_dm,test_vecs_dbow))

 

现在我们准备对我们的评论向量训练一个分类器。我们再次使用 sklearn 的 SGDClassifier。

 

fromsklearn.linear_model importSGDClassifier

 

lrSGDClassifier(loss='log',penalty='l1')

lr.fit(train_vecs,y_train)

 

print'Test Accuracy: %.2f'%lr.score(test_vecs,y_test)

 

这个模型的测试准确率达到了 0.86。我们也构建了如下的分类器 ROC 曲线：

 

#Create ROC curve

fromsklearn.metrics importroc_curve,auc

%matplotlibinline

 

importmatplotlib.pyplot asplt

 

pred_probaslr.predict_proba(test_vecs)[:,1]

 

fpr,tpr,_roc_curve(y_test,pred_probas)

roc_aucauc(fpr,tpr)

plt.plot(fpr,tpr,label='area = %.2f'roc_auc)

plt.plot([0,1],[0,1],'k--')

plt.xlim([0.0,1.0])

plt.ylim([0.0,1.05])

plt.legend(loc='lower right')

 

plt.show()

 

 

图 5：基于 IMDB 电影评论训练数据的逻辑分类器（logistic classifier）的 ROC 曲线

 

原始论文 强调了用有 50 个结点的神经网络加上一个简单的逻辑回归分类器，效果会有提高：

 

fromNNet importNeuralNet

 

nnetNeuralNet(50,learn_rate=1e-2)

maxiter500

batch150

_nnet.fit(train_vecs,y_train,fine_tune=False,maxiter=maxiter,SGD=True,batch=batch,rho=0.9)

 

print'Test Accuracy: %.2f'%nnet.score(test_vecs,y_test)

 

有趣的是，我们在这儿并没有看到什么提高。测试准确率是 0.85，我们也没能达到他们所说的 7.42% 的测试错误率。原因有很多：我们在每一步（epochs）对于训练/测试数据没有训练足够，他们实现 Doc2Vec 和 ANN 的方式不同，他们的超参数不同等等。因为论文中并没有谈及细节，所以难以确知真正原因。不管怎样，在进行了零星预处理以及没有构造和选取特征的情况下，我们还是得到了 86% 的准确率。并不需要花哨的卷积（convolutions）和树库（treebanks）！

 

结论

 

我希望已经你不仅见识了 Word2Vec 和 Doc2Vec 的强大，而且能够通过标准工具诸如 Python 和 gensim 来应用它们。只需要非常简单的算法我们即可得到丰富的词和段落向量，足以在所有 NLP 应用中使用。另外更棒的是 Google 发布了基于超大规模数据集预训练（pre-train）的词向量。如果你想在大规模数据集中训练自己的词向量，可以利用 Apache Spark’s MLlib 的 Word2Vec 来实现。Happy NLP’ing！