如何利用情感词典做中文文本的情感分析？
这是本学期在大数据哲学与社会科学实验室做的第四次分享了。
第一次分享的是：如何利用“wordcloud+jieba”制作中文词云？
第二次分享的是：如何爬取知乎中问题的回答以及评论的数据？
第三次分享的是：如何做中文文本的情感分析？
本次给大家分享的是利用情感词典进行中文文本分类的方法，这种方法是对人的记忆和判断思维的最简单的模拟，如图所示。
我们首先通过学习来记忆一些基本词汇，如否定词语有“不”，积极词语有“喜欢”、“爱”，消极词语有“讨厌”、“恨”等，从而在大脑中形成一个基本的语料库。
然后，我们再对输入的句子进行最直接的拆分，看看我们所记忆的词汇表中是否存在相应的词语。
接着，根据这个词语的类别来判断情感，比如“我喜欢数学”，“喜欢”这个词在我们所记忆的积极词汇表中，所以我们判断它具有积极的情感。
基于上述思路，我们可以通过以下几个步骤实现基于情感词典的中文文本情感分类：
- Step01：准备各类词典（积极情感词典、消极情感词典、否定词词典、程度副词词典）
- Step02：对句子进行分词
- Step03：进行情感判断
整个过程如下图所示。
1. 准备各类词典
一般来说，词典是文本感情分类最核心的地方。情感词典通常分为四个部分：积极情感词典、消极情感词典、否定词典以及程度副词词典。
目前最常用的词典如下：
- 清华大学李军中文褒贬义词典
- Hownet知网情感词典
- 台湾大学NTUSD
- 大连理工大学中文情感词汇本体库
本文用到的词典如下：
2. 句子分词
Python中比较常用的分词库是“jieba”，俗称“结巴分词”。
安装“jieba”的过程也比较简单，支持Python的pip安装，命令如下：
pip install jieba
“jieba”常用的函数非常少，通常只有一个cut()函数。
cut(sentence, cut_all=False, HMM=True)：将包含中文的整个句子分割成单独的词。
sentence：要进行分词的句子。cut_all：模型类型，True表示完整模式，False表示准确模式。HMM：是否使用隐马尔可夫模型。
下面通过简单的例子来讲述如何使用结巴分词。
【例子】利用准确模式分词。
import jiebatext = "中华民族创造了悠久灿烂的中华文明，为人类作出了卓越贡献。"
words = list(jieba.cut(text, cut_all=False))
print(words)
# ['中华民族', '创造', '了', '悠久', '灿烂', '的', '中华文明', '，', '为', '人类', '作出', '了', '卓越贡献', '。']
【例子】利用完整模式分词。
import jiebatext = "中华民族创造了悠久灿烂的中华文明，为人类作出了卓越贡献。"
words = list(jieba.cut(text, cut_all=True))
print(words)
# ['中华', '中华民族', '民族', '创造', '了', '悠久', '灿烂', '的', '中华', '中华文明', '华文', '文明', '', '', '为', '人类', '作出', '了', '卓越', '卓越贡献', '贡献', '', '']
3. 情感判断
基于情感词典的文本情感分类规则比较机械化。
简单起见，我们将每个积极情感词语赋予权重“1”，将每个消极情感词语赋予权重“-1”，并且假设情感值满足线性叠加原理。如果句子分词后的词语向量包含相应的词语，就加上向前的权值，其中，否定词和程度副词会有特殊的判别规则，否定词会导致权值反号，而程度副词则根据修饰的程度加上相应的数值，在本文档中将权重分为1~6，6个档次（感叹号为第2档）。最后，根据总权值的正负性来判断句子的情感。
以下代码用于加载词典：
def loadDict(fileName, score):wordDict = {}with open(fileName) as fin:for line in fin:word = line.strip()wordDict[word] = scorereturn wordDictdef appendDict(wordDict, fileName, score):with open(fileName) as fin:for line in fin:word = line.strip()wordDict[word] = scoredef loadExtentDict(fileName, level):extentDict = {}for i in range(level):with open(fileName + str(i + 1) + ".txt") as fin:for line in fin:word = line.strip()extentDict[word] = i + 1return extentDict
以下代码用于给词汇赋权值：
postDict = loadDict(u"sentimentDict/积极情感词语.txt", 1) # 积极情感词典
negDict = loadDict(u"sentimentDict/消极情感词语.txt", -1) # 消极情感词典
inverseDict = loadDict(u"sentimentDict/否定词语.txt", -1) # 否定词词典
extentDict = loadExtentDict(u"sentimentDict/程度级别词语", 6)
punc = loadDict(u"sentimentDict/标点符号.txt", 1)
exclamation = {"!": 2, "！": 2}
以下代码是具体的规则：
totalScore = 0 # 记录最终情感得分
lastWordPos = 0 # 记录情感词的位置
lastPuncPos = 0 # 记录标点符号的位置
i = 0 # 记录扫描到的词的位置for word in wordList:if word in punc:lastPuncPos = iif word in postDict: # 积极情感词语处理的规则if lastWordPos > lastPuncPos:start = lastWordPoselse:start = lastPuncPosscore = 1for word_before in wordList[start:i]: # 前面是否有否定词和副词if word_before in extentDict:score = score * extentDict[word_before]if word_before in inverseDict:score = score * -1for word_after in wordList[i + 1:]: # 后面是否带感叹号if word_after in punc:if word_after in exclamation:score = score + 2else:breaklastWordPos = itotalScore += scoreelif word in negDict: # 消极情感词语处理的规则if lastWordPos > lastPuncPos:start = lastWordPoselse:start = lastPuncPosscore = -1for word_before in wordList[start:i]: # 前面是否有否定词和副词if word_before in extentDict:score = score * extentDict[word_before]if word_before in inverseDict:score = score * -1for word_after in wordList[i + 1:]: # 后面是否带感叹号if word_after in punc:if word_after in exclamation:score = score - 2else:breaklastWordPos = itotalScore += scorei = i + 1
4. 补充说明
在如今的网络信息时代，新词的出现如雨后春笋，其中包括“新构造网络词语”以及“将已有词语赋予新的含义”；另一方面，我们整理的情感词典中，也不可能完全包含已有的情感词语。因此，自动扩充情感词典是保证情感分类模型时效性的必要条件。
目前，通过网络爬虫等手段，我们可以从微博、社区中收集到大量的评论数据，为了从这大批量的数据中找到新的具有情感倾向的词语，可以用无监督学习式的词频统计。
我们的目标是“自动扩充”，因此我们要达到的目的是基于现有的初步模型来进行无监督学习，完成词典扩充，从而增强模型自身的性能，然后再以同样的方式进行迭代，这是一个正反馈的调节过程。虽然我们可以从网络中大量抓取评论数据，但是这些数据是无标注的，我们要通过已有的模型对评论数据进行情感分类，然后在同一类情感（积极或消极）的评论集合中统计各个词语的出现频率，最后将积极、消极评论集的各个词语的词频进行对比。某个词语在积极评论集中的词频相当低，在消极评论集中的词频相当高，那么我们就有把握将该词语添加到消极情感词典中，或者说，赋予该词语负的权值。
举例来说，假设我们的消极情感词典中并没有“黑心”这个词语，但是“可恶”、“讨厌”、“反感”、“喜欢”等基本的情感词语在情感词典中已经存在，那么我们就会能够将下述句子正确地进行情感分类：
| 句子 | 权值 |
|---|---|
| 这个黑心老板太可恶了 | -2 |
| 我很反感这黑心企业的做法 | -2 |
| 很讨厌这家黑心店铺 | -2 |
| 这家店铺真黑心！ | 0 |
其中，由于消极情感词典中没有“黑心”这个词语，所以“这家店铺真黑心！”就只会被判断为中性（即权值为0）。分类完成后，对所有词频为正和为负的分别统计各个词频，我们发现，新词语“黑心”在负面评论中出现很多次，但是在正面评论中几乎没有出现，那么我们就将黑心这个词语添加到我们的消极情感词典中，然后更新我们的分类结果：
| 句子 | 权值 |
|---|---|
| 这个黑心老板太可恶了 | -3 |
| 我很反感这黑心企业的做法 | -3 |
| 很讨厌这家黑心店铺 | -3 |
| 这家店铺真黑心！ | -2 |
于是我们就通过无监督式的学习扩充了词典，同时提高了准确率，增强了模型的性能。这是一个反复迭代的过程，前一步的结果可以帮助后一步的进行。
5. 总结
基于情感词典的文本情感分类是容易实现的，其核心之处在于对情感词典的积累。
最后，把完整的代码和测试放在这里，方便大家使用。
import jiebadef loadDict(fileName, score):wordDict = {}with open(fileName) as fin:for line in fin:word = line.strip()wordDict[word] = scorereturn wordDictdef appendDict(wordDict, fileName, score):with open(fileName) as fin:for line in fin:word = line.strip()wordDict[word] = scoredef loadExtentDict(fileName, level):extentDict = {}for i in range(level):with open(fileName + str(i + 1) + ".txt") as fin:for line in fin:word = line.strip()extentDict[word] = i + 1return extentDictdef getScore(content):postDict = loadDict(u"sentimentDict/积极情感词语.txt", 1) # 积极情感词典negDict = loadDict(u"sentimentDict/消极情感词语.txt", -1) # 消极情感词典inverseDict = loadDict(u"sentimentDict/否定词语.txt", -1) # 否定词词典extentDict = loadExtentDict(u"sentimentDict/程度级别词语", 6)punc = loadDict(u"sentimentDict/标点符号.txt", 1)exclamation = {"!": 2, "！": 2}words = jieba.cut(content)wordList = list(words)print(wordList)totalScore = 0 # 记录最终情感得分lastWordPos = 0 # 记录情感词的位置lastPuncPos = 0 # 记录标点符号的位置i = 0 # 记录扫描到的词的位置for word in wordList:if word in punc:lastPuncPos = iif word in postDict:if lastWordPos > lastPuncPos:start = lastWordPoselse:start = lastPuncPosscore = 1for word_before in wordList[start:i]:if word_before in extentDict:score = score * extentDict[word_before]if word_before in inverseDict:score = score * -1for word_after in wordList[i + 1:]:if word_after in punc:if word_after in exclamation:score = score + 2else:breaklastWordPos = itotalScore += scoreelif word in negDict:if lastWordPos > lastPuncPos:start = lastWordPoselse:start = lastPuncPosscore = -1for word_before in wordList[start:i]:if word_before in extentDict:score = score * extentDict[word_before]if word_before in inverseDict:score = score * -1for word_after in wordList[i + 1:]:if word_after in punc:if word_after in exclamation:score = score - 2else:breaklastWordPos = itotalScore += scorei = i + 1return totalScore
测试情感分类的代码如下：
content = u"你真的是一个非常好的人!"
print(getScore(content)) # 11
content = u"这种行为非常的丑陋，无耻！"
print(getScore(content)) # -6
参考文献：
- https://kexue.fm/archives/3360
- https://blog.csdn.net/maxMikexu/article/details/106050067
