Tidy Duyguyu Qdap Polarity ile Karşılaştır

Burada, farklı duygu analizi yöntemlerinin farklı sonuçlar verebileceğini göreceksin. Çoğu zaman, ayrıntılar farklı olsa da sonuçların yön olarak hizalanması yeterlidir. Son egzersizde, durak sözcükleri çıkarılmış kiralama yorumlarından oluşan bir veri çerçevesi olan tidy_reviews oluşturmuştun. Bu bölümün başlarında, qdap'ın temel polarity() fonksiyonunu hesaplayıp görselleştirmiştin. Bu, yorumların genel olarak olumluya meyilli olduğunu göstermişti.

Şimdi benzer bir analizi tidytext yaklaşımıyla yapalım! Önceki bir bölümden hatırlayacağın gibi bir inner_join(), ardından count() ve sonra da pivot_wider() uygulayacaksın.

Son olarak, mutate() kullanarak yeni bir sütun oluşturacak ve positive - negative ifadesini kullanacaksın.

Bu egzersiz, kursun bir parçasıdır

R ile Duygu Analizi

Kursa Göz Atın

Egzersiz talimatları

"bing" ile get_sentiments() fonksiyonunu kullanmak, bing öznelik sözlüğünü getirir. Sözlüğü bing olarak adlandır.
Bu kodu Bölüm 2'de zaten yazdığın için, sadece sözlük nesnesini (bing), yeni sütun adını (polarity) ve hesaplamasını mutate() içine girmen yeterli.
Son olarak yeni nesne pos_neg üzerinde summary() çağır. Değerler farklı olsa da, ortalamayı inceledikten sonra, polarity() kullanmaya kıyasla çoğu kiralama yorumu benzer şekilde olumlu mu? "Not şişirmesi" görüyor musun?

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Get the correct lexicon
bing <- ___

# Calculate polarity for each review
pos_neg <- tidy_reviews %>% 
  inner_join(___) %>%
  count(sentiment) %>%
  pivot_wider(names_from = sentiment, values_from = n, values_fill = 0) %>% 
  mutate(___ = ___ - ___)

# Check outcome
___

Kodu Düzenle ve Çalıştır