（純屬為了記錄自己學習的點滴過程，引用資料都附在參考列表）

1 基本概念

情感分析
對于情感分析而言，只需要準備標注了正負情感的大量文檔，就能將其視作普通的文本分類任務來解決。此外，一些帶有評分的電影、商品評論也可以作為“天然”的標注語料庫。

2 問題

給出某酒店評論數據，正負評論各2000條組成，訓練情感分類模型，并對測試數據預測；

3 解決思路

化歸為文本分類問題，使用文本分類的一般步驟，算法使用Naive Bayesian Model；

4 實現

# -*- coding:utf-8 -*-from pyhanlp import * from tests.test_utility import ensure_dataIClassifier = JClass('com.hankcs.hanlp.classification.classifiers.IClassifier') NaiveBayesClassifier = JClass('com.hankcs.hanlp.classification.classifiers.NaiveBayesClassifier') # 中文情感挖掘語料-ChnSentiCorp 譚松波 chn_senti_corp = ensure_data("ChnSentiCorp情感分析酒店評論", "http://file.hankcs.com/corpus/ChnSentiCorp.zip")def predict(classifier, text):print("《%s》 情感極性是 【%s】" % (text, classifier.classify(text)))if __name__ == '__main__':classifier = NaiveBayesClassifier()# 創建分類器，更高級的功能請參考IClassifier的接口定義classifier.train(chn_senti_corp)# 訓練后的模型支持持久化，下次就不必訓練了predict(classifier, "前臺客房服務態度非常好！早餐很豐富，房價很干凈。再接再厲！")predict(classifier, "結果大失所望，燈光昏暗，空間極其狹小，床墊質量惡劣，房間還伴著一股霉味。")predict(classifier, "可利用文本分類實現情感分析，效果不是不行")

運行結果：

[正面]...100.00% 2000 篇文檔 [負面]...100.00% 2000 篇文檔 耗時 1477 ms 加載了 2 個類目,共 4000 篇文檔 原始數據集大小:4000 使用卡方檢測選擇特征中...耗時 17 ms,選中特征數:486 / 15034 = 3.23% 貝葉斯統計結束 《前臺客房服務態度非常好！早餐很豐富，房價很干凈。再接再厲！》 情感極性是 【正面】 《結果大失所望，燈光昏暗，空間極其狹小，床墊質量惡劣，房間還伴著一股霉味。》 情感極性是 【負面】 《可利用文本分類實現情感分析，效果不是不行》 情感極性是 【負面】

• 值得注意的是，最后一個測試案例“可利用文本分類實現情感分析，效果不是不行”雖然不屬于酒店評論，但結果依然是正確地，這說明該統計模型有一定的泛化能力，能處理一些其他行業的文本。

5 參考文獻

何晗《自然語言處理入門》；

宗成慶《統計自然語言處理》；

李航《統計學習方法》；

總結

以上是生活随笔為你收集整理的文本分类--情感分析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。