Polarität an echtem Text
Bisher hast du die Grundbausteine kennengelernt, um positive oder negative Absichten in Texten zu bewerten. Merke dir Folgendes, damit du dich bei deinen Ergebnissen sicher fühlst.
- Das Subjektivitätslexikon ist eine vordefinierte Liste von Wörtern, die mit Emotionen oder positiven/negativen Gefühlen verbunden sind.
- Du musst nicht jedes Wort in ein Subjektivitätslexikon aufnehmen, denn das Zipfsche Gesetz beschreibt menschlichen sprachlichen Ausdruck.
Ein schneller Einstieg ist die Funktion polarity(), die ein eingebautes Subjektivitätslexikon enthält.
Die Funktion durchsucht den Text, um Wörter im Lexikon zu erkennen. Anschließend bildet sie einen Cluster um ein identifiziertes Subjektivitätswort. Innerhalb des Clusters passen Valenzverschieber die Bewertung an. Valenzverschieber sind Wörter, die die emotionale Absicht des Subjektivitätsworts verstärken oder negieren. Zum Beispiel ist „well known" positiv, während „not well known" negativ ist. Hier ist „not" ein negierender Ausdruck und kehrt die emotionale Absicht von „well known" um. Im Gegensatz dazu verwendet „very well known" einen Verstärker, der die positive Absicht erhöht.
Die Funktion polarity() berechnet dann eine Punktzahl anhand der Subjektivitätsbegriffe, der Valenzverschieber und der Gesamtzahl der Wörter in der Passage. Diese Übung zeigt eine einfache Polaritätsberechnung. Im nächsten Video schauen wir unter die Haube von polarity() für weitere Details.
Diese Übung ist Teil des Kurses
<Kurs>Sentimentanalyse in R</Kurs>Interaktive praktische Übung
Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.
# Example statement
positive <- "DataCamp courses are good for learning"
# Calculate polarity of statement
(pos_score <-___(___))