朴素贝叶斯-商品评论情感分析

Posted 2023-04-30

参考技术A

1、朴素贝叶斯公式：

2、 API： from sklearn.naive_bayes import MultinomialNB

3、 注意事项： 一个完整的文本不能直接拿来训练，所以在训练之前，我们需要将自己的语句分词，构建词向量，所以我们这里需要先进行分词处理，这里我选择的是结巴分词。

从上面预测结果看，预测的三个结果均与真实值一致，模型评估结果值为：1.0 很高！

基于支持向量机SVM和朴素贝叶斯NBM情感分析

一、概述

        使用大约十万条的微博评论作为训练数据，数据1表示为积极评论，0表示消极评论，利用pandas、jieba对数据进行前期处理，TFIDF将处理后的数据进行向量化，然后利用支持向量机和朴素贝叶斯对处理后的数据集进行训练。算法实现上利用python的sklearn库进行实现和训练，工具使用juypter notebook实现。

        从训练的结果上来看，很明显支持向量机的训练结果是好于朴素贝叶斯算法的，SVM模型会随着数据量的增大准确度也会增大，但是实际使用过程中，朴素贝叶斯模型对非原始数据判断更加准确，而支持向量机对原始数据判断更加准确。可以说NBM的适应性要好于SVM，训练时间上，相同数据集NBM的训练速度远远快于SVM，各有利弊，下图是使用训练好的模型对非原始数据集进行的判断结果。 

 二、实现

注意：实现使用juypter notebook实现，所以下面也是按照顺序去执行的，切记啊；

• 数据读取

        使用python的pandas读取数据集数据，数据格式如下图所示，数据总量十万多，分为消极和积极的数据集，数据来源为微博评论数据。

#读取训练数据集
import pandas as pd
test = pd.read_csv(".\\\\weibo_senti_100k.csv")
test_data = pd.DataFrame(test)

•  数据处理

         通过观察数据集，我们发现数据中存在很多特殊符号以及无关紧要的人称和其他词语，所以我们需要进行一个停用词去除。并打乱数据集，防止训练过拟合。

####打乱数据集####
re_test_data = test_data.sample(frac=1).reset_index(drop=True)

####去除特殊符号并分词####
import jieba_fast as jieba
import re
# 使用jieba进行分词
def chinese_word_cut(mytext):
    # 去除[@用户]避免影响后期预测精度  
    mytext = re.sub(r'@\\w+','',mytext)
    # 去除数字字母的字符串
    mytext = re.sub(r'[a-zA-Z0-9]','',mytext)
    return " ".join(jieba.cut(mytext))
# apply的方法是将数据着行处理
re_test_data['cut_review'] = re_test_data.review.apply(chinese_word_cut)

####停用词处理####
import re
# 获取停用词列表
def get_custom_stopwords(stop_words_file):
    with open(stop_words_file,encoding='utf-8') as f:
        stopwords = f.read()
    stopwords_list = stopwords.split('\\n')
    custom_stopwords_list = [i for i in stopwords_list]
    return custom_stopwords_list
cachedStopWords = get_custom_stopwords(".\\\\stopwords.txt")
# 去除停用词方法
def remove_stropwords(mytext):
    return " ".join([word for word in mytext.split() if word not in cachedStopWords])
re_test_data['remove_strop_word'] = re_test_data.cut_review.apply(remove_stropwords)

• 数据保存

        将处理后的数据进行保存

####保存数据####
# 截取处理后的评论数据和标签
re_data = re_test_data.loc[:,['remove_strop_word','label']]
# 将数据保存为新的csv
re_data.to_csv ("re_sentiment_data.csv" , encoding = "utf_8_sig’")

•  数据分割

        读取处理后的数据并进行分割处理，分割方式使用的是sklearn的方法进行随机分割，分割为训练数据集X_train，y_train；测试数据集x_test，y_test;

####数据分割####
X = re_test_data['remove_strop_word']
y = re_test_data.label
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=11)

•  向量化，训练

        代码中我将SVM和NBM两种模型训练都写出来了，需要讲解的是Pipeline是将多个模型进行连接的一个模块。

####使用NBM进行训练
%%time
# 加载模型及保存模型
from sklearn.externals import joblib
# 朴素贝叶斯算法
from sklearn.naive_bayes import MultinomialNB
# TFIDF模型
from sklearn.feature_extraction.text import TfidfVectorizer
# 管道模型可将两个算法进行连接
from sklearn.pipeline import Pipeline
# 将TFIDF模型和朴素贝叶斯算法连接
TFIDF_NB_Sentiment_Model = Pipeline([
    ('TFIDF', TfidfVectorizer()),
    ('NB', MultinomialNB())
])
# 取三万条数据进行训练
nbm = TFIDF_NB_Sentiment_Model.fit(X_train[:80000],y_train[:80000])
nb_train_score = TFIDF_NB_Sentiment_Model.score(X_test,y_test)
joblib.dump(TFIDF_NB_Sentiment_Model, 'tfidf_nb_sentiment.model')
print(nb_train_score)


####或

####使用SVM进行训练####
%%time
from sklearn.svm import SVC

TFIDF_SVM_Sentiment_Model = Pipeline([
    ('TFIDF', TfidfVectorizer()),
    ('SVM', SVC(C=0.95,kernel="linear",probability=True))
])
TFIDF_SVM_Sentiment_Model.fit(X_train[:30000],y_train[:30000])
svm_test_score = TFIDF_SVM_Sentiment_Model.score(X_test,y_test)
joblib.dump(TFIDF_SVM_Sentiment_Model, 'tfidf_svm1_sentiment.model')
print(svm_test_score)

• 预测

        训练好的模型之后，我们就可以进行预测了

import re
from sklearn.externals import joblib
# 获取停用词列表
def get_custom_stopwords(stop_words_file):
    with open(stop_words_file,encoding='utf-8') as f:
        stopwords = f.read()
    stopwords_list = stopwords.split('\\n')
    custom_stopwords_list = [i for i in stopwords_list]
    return custom_stopwords_list


# 去除停用词方法
def remove_stropwords(mytext,cachedStopWords):
    return " ".join([word for word in mytext.split() if word not in cachedStopWords])

# 处理否定词不的句子
def  Jieba_Intensify(text):
    word = re.search(r"不[\\u4e00-\\u9fa5 ]",text)
    if word!=None:
        text = re.sub(r"(不 )|(不[\\u4e00-\\u9fa5]1 )",word[0].strip(),text)
    return text

# 判断句子消极还是积极
def IsPoOrNeg(text):
    # 加载训练好的模型     
#     model = joblib.load('tfidf_nb_sentiment.model')
    
    model = joblib.load('tfidf_svm1_sentiment.model')
    # 获取停用词列表   
    cachedStopWords = get_custom_stopwords(".\\\\stopwords.txt")
    # 去除停用词    
    text = remove_stropwords(text,cachedStopWords)
    # jieba分词         
    seg_list = jieba.cut(text, cut_all=False)
    text = " ".join(seg_list)
    # 否定不处理
    text = Jieba_Intensify(text)
    y_pre =model.predict([text])
    proba = model.predict_proba([text])[0]
    if y_pre[0]==1:
        print(text,":此话极大可能是积极情绪（概率：）"+str(proba[1]))
    else:
        print(text,":此话极大可能是消极情绪（概率：）"+str(proba[0]))

IsPoOrNeg("我好开心")

        预测结果如图 

 需要源码和数据集请+我哦~