การวิเคราะห์ Polarity จากข้อความจริง
จนถึงตอนนี้ คุณได้เรียนรู้องค์ประกอบพื้นฐานที่จำเป็นสำหรับการประเมินความรู้สึกเชิงบวกหรือเชิงลบในข้อความแล้ว จำประเด็นต่อไปนี้ไว้เพื่อให้มั่นใจในผลลัพธ์ที่ได้
- subjectivity lexicon คือรายการคำที่กำหนดไว้ล่วงหน้า ซึ่งเชื่อมโยงกับอารมณ์หรือความรู้สึกเชิงบวก/เชิงลบ
- ไม่จำเป็นต้องระบุทุกคำใน subjectivity lexicon เพราะ กฎของ Zipf อธิบายรูปแบบการแสดงออกของมนุษย์อยู่แล้ว
วิธีเริ่มต้นที่รวดเร็วคือการใช้ฟังก์ชัน polarity() ซึ่งมี subjectivity lexicon ในตัว
ฟังก์ชันนี้จะสแกนข้อความเพื่อค้นหาคำที่อยู่ใน lexicon จากนั้นสร้างกลุ่มคำรอบๆ คำที่ระบุได้ ภายในกลุ่มนั้น valence shifters จะปรับค่าคะแนน Valence shifters คือคำที่ขยายหรือกลับทิศทางของอารมณ์ที่แสดงออก ตัวอย่างเช่น "well known" มีความหมายเชิงบวก ขณะที่ "not well known" มีความหมายเชิงลบ โดย "not" เป็นคำปฏิเสธที่กลับทิศทางอารมณ์ของ "well known" ในทางกลับกัน "very well known" ใช้คำขยายที่เพิ่มระดับความรู้สึกเชิงบวก
ฟังก์ชัน polarity() จะคำนวณคะแนนโดยอิงจากคำที่แสดงอารมณ์, valence shifters และจำนวนคำทั้งหมดในข้อความ แบบฝึกหัดนี้สาธิตการคำนวณ polarity อย่างง่าย ในวิดีโอถัดไปจะพาไปดูกลไกเบื้องหลังของ polarity() อย่างละเอียดมากขึ้น
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์ความรู้สึกใน R
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Example statement
positive <- "DataCamp courses are good for learning"
# Calculate polarity of statement
(pos_score <-___(___))