SenticNet情感词典介绍

article/2025/3/12 1:06:50

在进行情感分析时，一个好的情感词典能够让我们的工作事半功倍，较为出名的情感词典有SentiWordNet，General Inquirer等，这篇博客将介绍另外一个出色情感词典，SenticNet。

简介

当谈论SenticNet时，我们正在谈论概念层面的情感分析，即通过语义和语言学来完成极性探测、情感识别等任务，而不是单纯的依靠词共现频率。SenticNet可以看作是以下其中一种：
1）一个概念层次的知识库
2）一个多学科的框架
3）一家私人公司
作为一个知识库，SenticNet提供了一组语义、情感、极性关联的100,000个自然语言概念。特别地，语义指与输入概念在语义上最相关的概念（比如，与输入概念共享最多语义特征的五个概念），情感指四个情感维度（Pleasantness, Attention, Sensitivity, and Aptitude）的情感值和-1到+1之间的情感极性值（其中，-1表示极度负向，+1表示极度正向）。该知识库可作为独立的XML文件免费下载，其最新版本（SenticNet5）也可作为API访问。
作为一个框架，SenticNet包含了一系列将常识推理、心理学、语言学和机器学习相结合的情感分析工具和技术。在这种情况下，SenticNet通常指senti computing，一种多学科范式，它超越了单纯的统计情感分析方法，通过关注自然语言概念的语义表示（semantic-preserving representation）和句子结构。
作为一家公司，SenticNet覆盖了概念层次情感分析的最新发现，以此为大型社交数据分析提供易用的、最先进的工具，从而在不同的领域，语言和形式下实现自动化任务，比如产品定位、趋势发现和社交媒体营销。

下载使用

SenticNet提供了各种类型、任务、语言的词典，都可以从该页面下载。
最新的SenticNet5包含100,000个自然语言概念，可以通过以下三种途径获取。

下载RDF/XML格式或者txt格式到本地

下载的senticnet-5.0包含以下三个重要文件：
senticnet5.py。文件形式如下：

首先定义了一个senticnet字典，关键字key是概念，值value是一个列表，元素依次是四个情感维度值、两个情绪标签、极性标签和极性值以及最相似的五个概念。
senticnet5.rdf.xml。以rdf的格式组织每一个概念，形式如下：

senticnet5.txt。仅仅展示了每个概念的极性和极性强度值，形式如下：

通过API访问

通过API获取指定概念的基本方法是：http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME，其中LANGUAGE指俩字母格式的目标语言，CONCEPT_NAME可以是单独的单词也可以是通过下划线连接的多个单词。更细粒度的方法可以分别获取语义、情感、情绪标签和极性：

http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/semantics
http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/sentics
http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/moodtags
http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/polarity

其中polarity由value（正或负）和强度（-1到1之间的浮点数）组成，分别查询如下：

http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/polarity/value
http://sentic.net/api/LANGUAGE/concept/CONCEPT_NAME/polarity/intensity

作为Python第三方类库调用

可以直接使用pip安装

pip install senticnet

也可以通过源码安装，在github或者Pypi上下载源码，然后采用如下命令安装。

python setup.py install

在windows上安装可能出现LINCENSE文件解码错误，这个时候用一个空的LINCENSE文件替换原文件即可。安装好后使用方法如下：

from senticnet.senticnet import SenticNetsn = SenticNet()   # 可以指定语言参数，不写默认英语
concept_info = sn.concept('love')
polarity_value = sn.polarity_value('love')
polarity_intense = sn.polarity_intense('love')
moodtags = sn.moodtags('love')
semantics = sn.semantics('love')
sentics = sn.sentics('love')