Python中文文本情感分析

为了实现整个句子的情感分析，我们定义了如下的几个函数：停用词删除函数stopwords_del（）、获取各类词典函数get_dict（）和情感计算函数senti_score（）等。

1.停用词删除函数

参数：

tokens：经过分词后的文本。

返回值：

fil_token_list：过滤掉停用词后的文本列表。

2.获取各类词典函数

参数：

text_word_dict：文本词典。

senti_word_dict：正、负面情感极性分析词语词典。

degree_word_list：程度级别词典。

返回值：

text_senti_dict：文本中包含的正、负面情感极性分析词词典。

text_degree_dict：程度级别词典。

3.情感计算函数

参数：

text_word_dict：文本词典。

text_senti_dict：文本中包含的正、负面情感极性分析词词典。(www.xing528.com)

text_degree_dict：程度级别词典。

返回值：

senti_score：情感分值，大于0为正面情感，小于0为负面情感，并且绝对值越大，代表情感越强烈。

测试主函数，需要指定停用词，文本中包含的正、负面情感极性分析词语和程度级别词语文件路径。

给定文本：

text1：“这个手机我喜欢”。

text2：“这个手机我不怎么喜欢”。

text3：“我们合作超愉快”。

text4：“我不怎么喜欢猫”。

情感极性分析如下：

运行结果为：

从上面可看出，text1、text3的情感极性为正面且text3的情感更强烈。text2和text4的情感极性为负面。

通过采用基于情感词典的文本情感极性分析，基本能够反映文本的情感倾向性，但这种方法主要有以下几个方面的缺陷：

（1）中文文本分词效果对文本的情感极性判断的影响重大。

（2）情感词典的质量也影响情感分类效果，有的情感词不包含在情感词典中，则无法判断文本的情感极性，同时，由于情感词典需要人工收集整理，工作量大。

因此，需要采用其他的情感分析方法避免出现这种情况。