基于Taptap评价数据集分析手游用户对中国移动游戏产业的满意程度（完整源码+说明）.zip

# 2022年手游市场满意度调研 本项目基于国内最大的移动手机游戏论坛TapTap，爬取手游用户评论，使用多种方法分析2022年手游市场的满意度。 ## 目录 - [一、快速开始](#一快速开始) - [二、项目结构](#二项目结构) - [三、数据集说明](#三数据集说明) - [四、模型选择](#四模型选择) - [五、实验结果](#五实验结果) - [六、版权声明](#六版权声明) ## 一、快速开始 1. 克隆项目到本地 ``` git clone https://github.com/anglee2002/SentimentAnalysis.git ``` 2. 配置python环境并安装相关依赖(建议使用conda环境) ``` # 在项目根目录下执行: # 创建conda环境,并指定python版本为3.8及以上 conda create -n sentimentanalysis python=3.8 # 激活环境 conda activate sentimentanalysis # 安装依赖 pip install -r requirements.txt ``` 3. 运行程序 ``` 请更改src目录下的python程序中的数据集路径,然后在项目根目录下执行: python src/*/*.py ``` 4. 附加说明 ``` 1. 本实验设备为MacBook Pro 2020(m1 Apple silicon)，系统为macOS Ventura 13.2 (22D49)。 由于硬件兼容问题,没有测试Windows系统,但理论上可以运行。 2. 本实验的tensorflow为ARM版本,由于tensorflow的原因,可能会出现一些警告,但是不影响运行。 3. 本实验的bert模型为中文版,由于模型文件过大,没有上传,请自行下载。 4. 若运行出现问题,请在issue中提出。 ``` ## 二、项目结构 ``` Sentiment Analysis ├── LICENSE //开源许可 ├── README.md //README文档 ├── requirements.txt //依赖说明 ├── dataset //数据集 │ └── taptap_review //TapTap评论数据集 └── src //源代码 └── sentiment_dictionary //情感字典 └── sentiment_dictionary.py //情感字典python程序 └── 情感极性词典 └── 中文停用词.txt └── 否定词.txt └── 程度副词.txt └── BosonNLP //boson情感词典 └── BosonNLP_sentiment_score.txt └── license.txt └── README.txt └── 词典来源说明.txt └── machine_learning //机器学习 └── svm.py //支持向量机 └── naive_bayes.py //朴素贝叶斯 └── adaboost.py //集成学习 └── deep_learning //深度学习 └── bi_lstm.py //Bi-LSTM模型 └── attention_lstm.py //LSTM模型+Attention机制 └── transfer Learning //迁移学习 └── finetune_bert.py //bert模型微调 ``` ## 三、数据集说明 本次实验数据集来自[PP飞桨公开数据集](https://aistudio.baidu.com/aistudio/datasetdetail/183272)。 数据集包含手游网站 TapTap 上约 300 款游戏的标签评论，共4888个数据示例。 该数据集以csv格式存储，每一行含有`review`和`sentiment`两个参数，其中`review`为用户的评论文本，`sentiment`的值为 1 和 0 > 用户评论低于 3星(最多5星)被视为 0(不满意)，其他为 1(满意)。两个类别的比例大致为 1:1 ``` 【数据集结构】 taptap_review # 4888条数据,按照7:3划分训练集和测试集 ├── train.csv #3422条数据 └── test.csv #1466条数据 【数据注释】 review：评论文本 sentiment：0代表不满意，1代表满意 ``` ## 四、模型选择 1.基于情感词典的情感极性分析 (1)基于BosonNLP的情感分析 2.基于机器学习的情感极性分析 (1)Svm #支持向量机 (2)Naive_bayes #朴素贝叶斯 (3)Adaboost #集成学习 3.基于深度学习的情感极性分析 (1)Bi-LSTM模型 (2)LSTM模型+Attention机制 4.基于迁移学习的情感极性分析 (1)bert模型微调 ## 五、实验结果  ## 六、版权声明 BosonNLP情感词典由[玻森数据](https://bosonnlp.com/)授权使用。 Bert模型版权由[谷歌公司](https://www.google.com/)所有。 其他部分根据[MIT License](LICENSE)开源。