您是否在购买前查看过产品或服务的评论或评分？那么您很可能已经与情感分析打过照面。本章将带您了解情感分析问题的基本结构，并开始探索电影评论中的情感。

欢迎！

情感分析问题的构成要素

有多少正面和负面评论？

最长与最短的影评

情感分析的类型与方法

检测《双城记》的情感倾向

比较两个字符串的情感倾向

电影评论的情感是什么？

来动手构建一个词云！

您的第一个词云

词云里有哪些词？

电影评论的词云

情感分析的基础与实务

设想您是提供多种产品的公司负责人。您想知道哪些产品是畅销款，尤其是原因是什么。我们将从理解产品评论的第 1 步开始，使用一份包含亚马逊产品评论的数据集。为此，我们把文本转换为数值形式，并在过程中考量若干复杂因素。

Bag-of-words

关于 BOW，哪项说法是正确的？

您的第一个 BOW

用商品评论构建 BOW

用 n-gram 更细粒度地解析

用 BOW 指定标记序列长度

电影评论的词汇表大小

含 n-gram 与词汇量限制的 BOW

从文本构建新特征

对 GoT 字符串进行分词

从 Avengers 中获取词元

评论长度特征

您能猜出这是什么语言吗？

识别字符串的语言

检测字符串列表的语言

产品评论的语言检测

从评论中提取数值特征

本章将继续推进对产品评论的理解。我们会讨论更多复杂性，尤其是在处理来自 Twitter 等社交媒体平台的情感分析数据时。我们还将学习从文本中获取数值特征的其他方法。

停用词

推文词云

结合停用词的航空公司情感分析

多文本列

捕捉词元模式

指定 token 模式

在 Twitter 数据上使用字符串运算符

词干提取与词形还原

来自 GoT 的词干与词形

对西班牙语评论做词干提取

从推文提取词干

TfIdf：更多文本转换方法

您的第一个 TfIdf

在 Twitter 航空情感数据上应用 TfIdf

在同一数据上比较 Tfidf 与 BOW

数值向量进阶：推文文本变换

我们将使用机器学习，根据评论中使用的词语来预测其情感。我们会采用逻辑回归，并从多个角度评估其性能。对于入门来说，这些都是很不错的模型！

来预测情感吧！

电影评论的逻辑回归

使用 Twitter 数据的逻辑回归

我们真的把情感预测得好吗？

构建并评估模型：电影评论

Twitter 数据的性能指标

构建并评估模型：产品评论数据

逻辑回归：再访

预测电影评论的概率

带正则化的商品评论

使用 Twitter 数据对模型进行正则化

融会贯通

步骤 1：词云与特征创建

步骤 2：构建向量化器

步骤 3：构建分类器

总结

开始预测情感

Amazon product reviews

Tweets of US airline passengers

IMDB movie reviews

您是否曾通过撰写评论来表达对某个产品或服务的看法？购买前是否也会先在网上查看评价？这些信息不仅对您有价值，对企业同样重要。在本课程中，您将学习如何理解各类文本中表达的情感。您会使用真实世界的数据集，包括推文、电影与产品评论，并使用 Python 的 nltk 和 scikit-learn 库。课程结束时，您将能够基于美国航空旅客在 Twitter 上的表达，完成一个端到端的情感分析任务。

Python Toolbox

客户对您的产品满意吗，还是您的服务不足？学习如何进行端到端情感分析任务。

Python 中的情感分析

客户对您的产品感到满意，还是您的服务有所欠缺？学习如何执行端到端情感分析任务。

TfIdf：更多文本转换方法

Create Your Free Account