使用文本挖掘技术分析Twitter用户对电影Rangoon的评价

Posted 2021-04-16 大数据应用

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了使用文本挖掘技术分析Twitter用户对电影Rangoon的评价相关的知识，希望对你有一定的参考价值。

链接：https://zhuanlan.zhihu.com/p/27024648

来源：知乎专栏

数据应用学院授权转载

使用一些建模分析手段来评价电影的成功已经屡见不鲜，这类预测模型常常使用注入电影制作成本，类型，主演，出品方等结构化数据作为输入。然而，在社交媒体日益发达的现在，人们时常会在Twitter，Facebook等网站上发表自己的意见和建议。社交媒体已然是衡量电影观众情绪的潜在工具了。

本文将以2017年的宝莱坞电影“Rangoon”为例子，用R语言来分析Twitter用户对他的情感评价。

文本挖掘导论

在进入正题之前，我们不妨问这样一个问题：

什么是文本挖掘？

简而言之，文本挖掘就是把非结构化的文本数据转化为有意义的观点的过程。转化后的观点可以针对用户建议，产品评价，情感分析和消费者反馈等。

与传统方法依靠的结构化数据不同，文本挖掘的对象是结构松散有诸多语法和拼写错误的文本，而且还时常包含多种语言。这使得整个挖掘过程变得更有趣且富有挑战性。

在文本挖掘领域有两大常用方法：情感分析和词包挖掘（Bag of Words，a.k.a bow model）。

情感分析关心单词的结构和语法，词包挖掘则是把文本（句子，微博，文档）视作单词的集合（包）。

分析目标

每个分析项目都应该有个明确的目标，本文的目标就是对Twitter数据使用文本挖掘技术来获取用户对电影“Rangoon”的情感评价。

数据

分析的第一步就是要获取数据，如今获取Twitter数据只需要通过网页爬虫或者API就可以实现。本文则使用R语言中的“twitterR”包收集了10000条关于“Rangoon”的推文。

这部电影与2017年2月24日上映，我采集了2月25日的推特并把它们存在csv文件里，再用“readr”包读入R里。从推特采集数据的过程超出了本文的范畴，暂且不表。

用 “tm” 包进行分析

“tm”包是在R内进行文本挖掘的框架，它会基于广泛使用的“Bag of Words”原则进行分析。这一方法非常简单易用，它会统计文本中每个词的频率，然后把词频作为变量。这一看似简单的方法其实非常有效，并且现在已经成了自然语言处理领域的基准。

STEP 1

——加载相应的包并且提出数据——

STEP 2

——数据预处理——

对文本进行预处理可以显著提升Bag of Words方法（其他方法也是）的效果。

预处理的第一步是构建语料库，简单地说就是一本词典。语料库一旦建立好了，预处理也就完成了大半。

之后，我们把单词都变成小写防止统计错误。

预处理的另一个任务是把没有用的词组去掉，很多词被频繁使用但只在句子里才有意义。这些词被称为“stop words”（停词）。举个例子，像the，is这些词就是停词，它们对之后的情感分析无甚作用，所以就把它们去掉来给数据瘦身。

另一个重要环节是stemming（词干提取），他能把不同结尾的词转换成原始形式。比如，love，loved，loving这些词之间的差异很小，可以用一个词干也就是lov来代表它们，这个降维过程就叫词干提取。

一旦我们把数据预处理好了，我们就可以开始统计词频来为未来建模做准备了。tm包提供了一个叫“DocumentTermMatrix”的来完成相应功能，它会返回一个矩阵，矩阵的每一行代表文档（本例中是一条推特），列就代表了推特中的单词。具体的数据就代表了每条对特相应单词的出现频率。

我们生成这个矩阵并把它命名为“dtm_up”。

STEP 3

——计量情感——

现在是时候来进行情感打分了。

R中的 “calculate_sentiment” 函数可以完成这一工作，它会读入文本并计量每个句子的情感得分。这一函数会把文本作为输入，输出一个包含每个句子情感得分的向量。

我们发现褒义词和贬义词的比例是5780/3238 = 1.8，乍一看电影还是受到观众的好评的。

让我们分别深入挖掘好评和差评来获取更深的理解。

— 褒义词 —

下方的表格展示了被分类为好拼的文本的词频，我们通过datatable函数实现这个功能。

“love”，“best”和“brilliant”是好评中的三大高频词。

我们可以把这个结果用词云进行可视化，词云中单词个头越大代表它出现频率越高。

— 贬义词 —

重复之前的步骤，贬义词中“miss”，“dismal”和“hell”是top3，让我们也用词云来可视化。

注意：

在文本分析时，最好对分析的对象有一定了解。比如“bloody”或者“hell”这样的贬义词可能是从电影的插曲“bloody hell”中被统计出来的。相似的，“miss”也可能来自于Ragoon中的女性人物“Miss Julia”，这样把它作为贬义词处理可能就不合适了。

考虑到这些异象，我们要对分析结果做进一步处理。

之前统计的褒贬词的比例是1.8，现在3238个贬义词中的144个“hell”先不考虑，这样这个比例会上升到1.87。

这是得到观众对Rangoon平价的第一步，看起来好评居多，我们需要用更细致的方法省查这一结论。

用 “syuzhet” 包进行分析

“syuzhet”包会使用3个情感词典来进行情感分析。与上述方法不同，它能分析更广范围的情感。当然，第一步还是要对数据进行预处理，包括对html链接进行清洗。

在预处理之后，可以用“get_nrc_sentiment”函数来提取情感。这个函数会调用NRC情感词典来计量不同的情感的程度和相关比例。

这个函数会输出一个数据框，每一行代表原始文件的一个句子，每一列代表一种情感类型和正负情感配比。一共有十列，代表“anger”, “anticipation”, “disgust”, “fear”, “joy”, “sadness”, “surprise”, “trust”, “negative”, “positive”。

让我们把这个结果也可视化。