刘焕勇-20180516-TextBlob情感分析调研1

【TextBlob情感分析调研】 TextBlob是一个用于处理文本数据的Python库，支持Python 2和3，它提供了简单易用的API，便于进行常见的自然语言处理（NLP）任务，如词性标注、名词短语提取、情感分析、分类、翻译等。在情感分析方面，TextBlob提供了一个方便的接口，帮助开发者快速地对文本的情感倾向进行判断。 **情感分析接口** 要使用TextBlob进行情感分析，首先需要引入TextBlob库，然后创建一个TextBlob对象。例如： ```python from textblob import TextBlob S = "not a very great calculation" blob = TextBlob(S) sentiment = blob.sentiment ``` 在这个例子中，`sentiment`对象包含两个属性：`polarity`和`subjectivity`。`polarity`表示情感极性，范围从-1.0到1.0，其中负值代表负面情感，正值代表正面情感；`subjectivity`表示情感主观性，范围从0.0到1.0，值越接近1.0，表示文本越主观。 **情感分析算法流程** 1. **输入待分析的文本**：我们需要提供要分析的句子或文本。 2. **分词**：将句子分解成单词，通常是通过空格和标点符号进行分割。 3. **预处理**：去除长度为1的单字词，因为它们通常不携带太多情感信息。 4. **情感单元匹配**：寻找情感词（sentiwords）、否定词（denywords）和程度副词（modifywords），如“very”、“not”等，并根据一定的模式（如“n?m*S”和“n?m*S[^S]*!$”）进行匹配。 5. **情感计算**：计算匹配到的情感单元的平均极性和主观性得分。 6. **结果输出**：得出整个文本的情感极性和主观性得分。 **情感词表** TextBlob的情感分析依赖于情感词表，例如“Sentiment-en.xml”，这个文件包含了2918个语义synset词条和1528个唯一词。每个词都有对应的词性、情感极性、主观性、强度和置信度等信息。例如，单词“great”的条目可能如下所示： ```xml <word form="great" cornetto_synset_id="n_a-525317" wordnet_id="a-01123879" pos="JJ" sense="very good" polarity="1.0" subjectivity="1.0" intensity="1.0" confidence="0.9" /> ``` 这里，`polarity="1.0"`表示“great”是一个强烈正面情感的词，而`subjectivity="1.0"`表示它非常主观。 **实验与结论** 在实际应用中，可以通过创建不同类型的文本样本，使用TextBlob进行情感分析并比较结果，来评估其在各种情境下的表现。实验可能包括对比TextBlob与其他情感分析工具的准确性和效率，以及在特定领域的适应性。 TextBlob为Python开发者提供了一种便捷的情感分析工具，尤其适合初学者和快速原型开发。然而，它可能并不适合所有复杂场景，因为其情感词表有限，且分析算法相对简单。在处理特定领域或复杂情感表达的文本时，可能需要结合其他更高级的NLP技术和工具。