手机评论文本挖掘与数据分析（Python）

Posted 2023-04-25

参考技术A 目的

        各大电商竞争越来激烈，为了提升客户服务质量，除了打价格战外，了解客户的需求点，对消费者的文本评论进行数据挖掘,倾听客户的心声越来越重要。

工具

1、贝壳采集器

2、Google浏览器

3、Python3.7 + Pycharm

数据采集

①本文对京东平台的手机进行爬虫，首先进入京东商城，选择一款手机，这里以华为Mate 30 Pro 5G为例

②在采集平台输入网址，点击贝壳采集开始配置信息

③因为是采集评论所以还需要进行下预操作配置切换页面：点击预操作按钮-->添加点击元素按钮-->左键点击流程图中添加元素按钮(悬浮显示操作键)-->点击悬浮显示操作键<选择按钮>  -->点击网页商品评论TAB页切换按钮 -->点击保存

④没有识别出评论信息，手工操作下：清空字段-->更改页面类型为手工识别列表 --> 选中两个一样元素(这里两个用户名称) -->下一页未自动识别成功-->更改分页类型为手动点击下一页-->配置完成-->开始采集

数据预处理

当我们通过爬虫获取到我们想要的数据之后，进行简单的观察，可以发现评论的一些特点：

文本短，基本上大量的评论就是一句话.

情感倾向明显：明显的词汇如”好” “可以”

语言不规范：会出现一些网络用词，符号，数字等

重复性大：一句话出现词语重复

数据量大.

故我们需要对这些数据进行数据预处理

数据预处理包括：去重、分词等

下面我们将进行数据清洗

import jieba

#评论内容进行去重

def quchong(infile, outfile):

    infopen = open(infile, 'r', encoding='utf-8')

    outopen = open(outfile, 'w', encoding='utf-8')

    lines = infopen.readlines()

    list_1 = []

    for line in lines:

        if line not in list_1:

            list_1.append(line)

            outopen.write(line)

    infopen.close()

    outopen.close()

quchong("E:/comments/华为P30.txt", "E:/comments/P30去重.txt")

# jieba.load_userdict('userdict.txt')

#创建停用词list

def stopwordslist(filepath):

    stopwords = [line.strip() for line in open(filepath, 'r', encoding='utf-8').readlines()]

    return stopwords

#对评论内容进行分词

def seg_sentence(sentence):

    sentence_seged = jieba.cut(sentence.strip())

stopwords = stopwordslist('stopwords.txt')  #这里加载停用词的路径

    outstr = ''

    for word in sentence_seged:

        if word not in stopwords:

            if word != '\t':

                outstr += word

                outstr += " "

    return outstr

inputs = open('E:/comments/P30去重.txt', 'r', encoding='utf-8')

outputs = open('E:/comments/P30分词.txt', 'w')

for line in inputs:

line_seg = seg_sentence(line)  #这里的返回值是字符串

    outputs.write(line_seg + '\n')

outputs.close()

inputs.close()

print('分词完毕')

数据分析

上面我们已经通过去重和jieba分词将爬取的内容进行了预处理，接下来就开始对处理过的数据进行分析，包括词频统计、关键词提取以及词云的生成等

#词频统计

import jieba.analyse

from collections import Counter  #词频统计

with open('E:/comments/P30分词.txt', 'r', encoding='utf-8') as fr:

    data = jieba.cut(fr.read())

data = dict(Counter(data))

with open('E:/comments/P30词频.txt', 'w', encoding='utf-8') as fw:  # 读入存储wordcount的文件路径

    for k, v in data.items():

        fw.write('%s, %d\n' % (k, v))

import jieba.analyse

import matplotlib.pyplot as plt

from wordcloud import WordCloud

#生成词云

with open('E:/comments/P30词频.txt') as f:

#提取关键词

    data = f.read()

    keyword = jieba.analyse.extract_tags(data, topK=50, withWeight=False)

    wl = " ".join(keyword)

#设置词云

    wc = WordCloud(

#设置背景颜色

        background_color = "white",

#设置最大显示的词云数

        max_words=2000,

#这种字体都在电脑字体中，一般路径

        font_path='C:/Windows/Fonts/simfang.ttf',

        height=1200,

        width=1600,

#设置字体最大值

        max_font_size=100,

#设置有多少种随机生成状态，即有多少种配色方案

        random_state=30,

    )

myword = wc.generate(wl)  #生成词云

#展示词云图

    plt.imshow(myword)

    plt.axis("off")

    plt.show()

wc.to_file('E:/comments/P30.png')  #把词云保存下

Python——用户评论情绪分析

介绍

在该节中我们将对用户产生的真实评论数据进行情绪分析。

知识点

• 文本分词
• Word2Vec 方法
• 决策树分类

---

本文所涉及到情绪分析，又称为文本情绪分析，这是自然语言处理和文本挖掘过程中涉及到的一块内容。简而言之，我们通过算法去判断一段文本、评论的情绪偏向，从而快速地了解表达这段文本的原作者的主观情绪。

现实中，当我们在陈述一段内容时，可能会出现的情绪有：高兴、兴奋、激动、没感觉、失落、压抑、紧张、疑惑等。而在自然语言处理的世界里，我们尚且达不到如此细小的分类。所以，往往在针对文本进行情绪分析时，只处理两种情绪状态：积极和消极。

当然，上面提到的计算机无法处理更细分的情绪类别其实并不准确。因为，算法原则上是能够区分更多的情绪类别，关键在于我们需要提供一个人工标注过的复杂情绪训练集，而这是非常难做到的。所以，目前我们在进行情绪分析时，只处理积极和消极两种状态。

基于词典的方法

目前，针对文本情绪分析的方法有两种，一种基于词典，另一种基于机器学习方法。首先，我们来叙述一下基于词典的文本情绪分析原理。

基于词典的情绪分析是非常简单和易于理解的一种方法。概括来讲，我们首先有一个人工标注好的词典。词典中的每一个此都对应这消极或积极的标签。词典举例如下：

词语	标签
很好	积极
不好	消极
高兴	积极
难受	消极
爱你	积极
讨厌	消极
……	……

然后，这个词典可能有上万条或者几十万条，当然是越多越好。有了词典之后，我们就可以开始进行文本情绪分析了。

现在，我们收到一条用户评论：

这门课程很好啊！

然后，我们可以对这句话进行分词。分词结果如下：

[‘这门‘, ‘课程‘, ‘很‘, ‘好‘, ‘啊‘, ‘！‘]

接下来，我们拿分好的词依次去匹配词典。匹配的方法很简单：

1. 如果词典中存在该词且为积极标签，那么我们记 +1+1;
2. 如果词典中存在该词且为消极标签，那么我们记 -1?1;
3. 如果词典中不存在该词，我们记 00。

匹配完一个句子之后，我们就可以计算整个句子的得分。总得分 >0>0 表示该句子情绪为积极，总得分小于零代表该句子为消极，总得分 =0=0 表示无法判断情绪。通过词典进行情绪分析的方法很简单，但缺点也很明显。我们往往需要一个很大的词典，且不断更新。这对人力物力都是极大的考验。

除此之外，该方法还有无法通过扩充词典解决的情绪判断问题。例如，当我们人类在判断一句话的清晰时，我们会往往更偏向于从整体把握（语言环境），尤其是在乎一些语气助词对情绪的影响。而基于词典进行情绪分析的方法就做不到这一点，将句子拆成词，就会影响句子的整体情绪表达。

目前，针对中文做情绪标注的词典少之又少。比较常用的有：

1. 台湾大学 NTUSD 情绪词典。
2. 《知网》情绪分析用 词语集。

以《知网》情绪词典举例，它包含有 5 个文件，分别列述了正面与负面的情绪词语以及程度词汇。

• “正面情感”词语，如：爱，赞赏，快乐，感同身受，好奇，喝彩，魂牵梦萦，嘉许 ...
• “负面情感”词语，如：哀伤，半信半疑，鄙视，不满意，不是滋味儿，后悔，大失所望 ...
• “正面评价”词语，如：不可或缺，部优，才高八斗，沉鱼落雁，催人奋进，动听，对劲儿 ...
• “负面评价”词语，如：丑，苦，超标，华而不实，荒凉，混浊，畸轻畸重，价高，空洞无物 ...
• “程度级别”词语，
• “主张”词语

由于上面介绍的这种简单的词典对比方法准确率并不高，所以本不会通过这种方法来实现用户评论情绪分析。

基于词袋或 Word2Vec 的方法

词袋模型

除了基于词典对评论进行情绪分析，我们还有一种方法称之为词袋模型。词袋不再将一句话看做是单个词汇构成，而是当作一个 1 imes N1×N 的向量。举个例子，我们现在有两句话需要处理，分别是：

我爱你，我非常爱你。 我喜欢你，我非常喜欢你。

我们针对这两句话进行分词之后，去重处理为一个词袋：

[‘我‘, ‘爱‘, ‘喜欢‘, ‘你‘, ‘非常‘]

然后，根据词袋，我们对原句子进行向量转换。其中，向量的长度 N 为词袋的长度，而向量中每一个数值依次为词袋中的词出现在该句子中的次数。

我爱你，我非常爱你。 → [2, 2, 0, 2, 1]

我喜欢你，我非常喜欢你。 → [2, 0, 2, 2, 1]

有了词袋，有了已经人工标注好的句子，就组成了我们的训练数据。再根据机器学习方法来构建分类预测模型。从而判断新输入句子的情绪。

你会发现，词袋模型和我们之前提到的独热编码非常相似。其实这里就是将之前独热编码里的词变成了句子而已。

词袋模型固然比简单的词典对比方法更好，但独热编码无法度量上下文之间的距离，也就无法结合上下文进行情绪判断。下面，我们介绍一种词向量的 Word2Vec 处理方法，就会很好地克服这个缺点。

Word2Vec

Word2Vec，故名思意就是将句子转换为向量，也就是词向量。Word2Vec 最早由 Google 在 2013 年开源，它是由浅层神经网络组成的词向量转换模型。

Word2Vec 的输入一般为规模庞大的语料库，输出为向量空间。Word2Vec 的特点在于，语料库中的每个词都对应了向量空间中的一个向量，拥有上下文关系的词，映射到向量空间中的距离会更加接近。

Word2Vec 的主要结构是 CBOW（Continuous Bag-of-Words Model）模型和 Skip-gram（Continuous Skip-gram）模型结合在一起。简单来讲，二者都是想通过上下文得到一个词出现的概率。

CBOW 模型通过一个词的上下文（各 N 个词）预测当前词。而 Skip-gram 则恰好相反，他是用一个词预测其上下文，得到了当前词上下文的很多样本，因此可用于更大的数据集。

CBOW（N=2）和 Skip-gram 的结构如下图所示：

图中 w(t)w(t) 表示当前的词汇，而 w(t?n)w(t?n)，w(t+n)w(t+n) 等则用来表示上下文词汇。

用户评论情绪分析

为了保证良好的准确度，本次我们选用了 Word2Vec 结合决策树的文本情绪分析方法。首先，我们需要使用 Word2Vec 来建立向量空间，之后再使用决策树训练文本情绪分类模型。

由于我们未人工针对评论进行语料库标注，所以这里需要选择其他的已标注语料库进行模型训练。这里，我们选用了网友苏剑林提供的语料库。该语料库整合了书籍、计算机等 7 个领域的评论数据。

你可以通过下面网盘链接下载本次所需要的数据集：

链接：https://pan.baidu.com/s/1qpy23EDHG2rea9SzxphIsQ 提取码：g837

三个数据文件的预览如下。

其中，消极情绪文本 neg.xls 共有 10428 行。

import pandas as pd

pd.read_excel("data_09/data/neg.xls", header=None).head()

积极情绪文本 pos.xls 共有 10679 行。

pd.read_excel("data_09/data/pos.xls", header=None).head()

用户评论文本 comments.csv 共有 12377 行。

pd.read_csv("data_09/comments.csv").head()

语料库分词处理

在使用 Word2Vec 之前，我们需要先对训练语料库进行分词处理。这里依旧使用 jieba 分词。

import jieba
import numpy as np

# 加载语料库文件，并导入数据
neg = pd.read_excel('data_09/data/neg.xls', header=None, index=None)
pos = pd.read_excel('data_09/data/pos.xls', header=None, index=None)

# jieba 分词


def word_cut(x): return jieba.lcut(x)


pos['words'] = pos[0].apply(word_cut)
neg['words'] = neg[0].apply(word_cut)

# 使用 1 表示积极情绪，0 表示消极情绪，并完成数组拼接
x = np.concatenate((pos['words'], neg['words']))
y = np.concatenate((np.ones(len(pos)), np.zeros(len(neg))))

# 将 Ndarray 保存为二进制文件备用
np.save('X_train.npy', x)
np.save('y_train.npy', y)

print('done.')

你可以预览一下数组的形状，以 x 为例：

np.load('X_train.npy', allow_pickle=True)

Word2Vec 处理

有了分词之后的数组，我们就可以开始 Word2Vec 处理，将其转换为词向量了。目前，很多开源工具都提供了 Word2Vec 方法，比如 Gensim，TensorFlow，PaddlePaddle 等。这里我们使用 Gensim。

from gensim.models.word2vec import Word2Vec
import warnings
warnings.filterwarnings('ignore')  # 忽略警告

# 导入上面保存的分词数组
X_train = np.load('X_train.npy', allow_pickle=True)

# 训练 Word2Vec 浅层神经网络模型
w2v = Word2Vec(size=300, min_count=10)
w2v.build_vocab(X_train)
w2v.train(X_train, total_examples=w2v.corpus_count, epochs=w2v.epochs)


def sum_vec(text):
    # 对每个句子的词向量进行求和计算
    vec = np.zeros(300).reshape((1, 300))
    for word in text:
        try:
            vec += w2v[word].reshape((1, 300))
        except KeyError:
            continue
    return vec


# 将词向量保存为 Ndarray
train_vec = np.concatenate([sum_vec(z) for z in X_train])
# 保存 Word2Vec 模型及词向量
w2v.save('w2v_model.pkl')
np.save('X_train_vec.npy', train_vec)
print('done.')

Word2Vec 过程可能需要几分钟。

训练情绪分类模型

有了词向量，我们就有了机器学习模型的输入，那么就可以训练情绪分类模型。这一块内容你应该很熟悉，选择速度较快的决策树方法，并使用 scikit-learn 完成。

from sklearn.externals import joblib
from sklearn.tree import DecisionTreeClassifier

# 导入词向量为训练特征
X = np.load('X_train_vec.npy')
# 导入情绪分类作为目标特征
y = np.load('y_train.npy')
# 构建支持向量机分类模型
model = DecisionTreeClassifier()
# 训练模型
model.fit(X, y)
# 保存模型为二进制文件
joblib.dump(model, 'dt_model.pkl')

执行决策树分类，该过程持续时间较长。

对评判进行情绪判断

有了 Word2Vec 模型以及支持向量机情绪分类模型。接下来，我们就可以对的用户评论进行情绪预测了。

# 读取 Word2Vec 并对新输入进行词向量计算
def sum_vec(words):
    # 读取 Word2Vec 模型
    w2v = Word2Vec.load('w2v_model.pkl')
    vec = np.zeros(300).reshape((1, 300))
    for word in words:
        try:
            vec += w2v[word].reshape((1, 300))
        except KeyError:
            continue
    return vec

对评论进行情绪判断：

# 读取评论
df = pd.read_csv("data_09/comments.csv", header=0)
comment_sentiment = []
for string in df['评论内容']:
    # 对评论分词
    words = jieba.lcut(str(string))
    words_vec = sum_vec(words)
    # 读取支持向量机模型
    model = joblib.load('dt_model.pkl')
    result = model.predict(words_vec)
    comment_sentiment.append(result[0])

    # 实时返回积极或消极结果
    if int(result[0]) == 1:
        print(string, '[积极]')
    else:
        print(string, '[消极]')

# 将情绪结果合并到原数据文件中
merged = pd.concat([df, pd.Series(comment_sentiment, name='用户情绪')], axis=1)
pd.DataFrame.to_csv(merged, 'comment_sentiment.csv')  # 储存文件以备后用

最后，我们可以通过饼状图看一下用户的情绪分布。总体看来，73% 都为积极评论，正能量满满。

总结

本章节，我们使用机器学习方法对用户真实评论进行了情绪分析。内容涉及比较多，尤其是 Word2Vec 处理。鉴于本课程的目的，我们并没有针对 Word2Vec 进行太详细的介绍。如果你对自然语言处理感兴趣，Word2Vec 一定是需要理解透彻的方法。除了使用机器学习方法，在文本情绪分析时。我们往往会用到 LSTM（Long Short Term Memory networks）长短期记忆递归神经网络训练分类模型，在大规模语料数据中，应用效果可能会更优于支持向量机等方法。学有余力时，也可以自行了解学习。

除此之外，由于本次所用语料库来源于第三方购物网站的评论。所以，其训练的模型在预测用户情绪方面，可能并没有太好的泛化能力。如果能针对现有数据进行人工标注，对于预测以后的数据，结果应该会更好。