文章目录

1. 情感词典内容
2. 情感倾向点互信息算法（SO-PMI）算法
- 点互信息算法 PMI
- 情感倾向点互信息算法 SO-PMI
3. 构建情感词典

1. 情感词典内容

情感词典构建方法归为三类, 分别是: 词关系扩展法、迭代路径法和释义扩展法
情感极性：正向、负向；表示正面情感(开心愉快)或负面情感(伤心愤怒)
情感极值：情感倾向（微笑、开怀大笑、手舞足蹈虽然都可以表示开心，但有不一样的极值，表示情绪的表现程度）

已有的情感词典请参考：
在这里插入图片描述

2. 情感倾向点互信息算法（SO-PMI）算法

这个算法比较直白：包含两个部分，一个是PMI，一个是SO-PMI

点互信息算法 PMI

在这里插入图片描述
$w o r d 1$ ， $w o r d 2$ 表示两个不同的词， $P_{word1}$ 表示在整个语料库中 $w o r d 1$ 出现的概率，一般认为：

1. PMI > 0 表示两个词语是相关的，值越大，相关性越强
2. PMI = 0 表示两个词语是统计独立的
3. PMI < 0 表示两个词语是不相关的，互斥的

PMI算法用一句话形容就是：两个词同时出现的概率越大，其相关性越大

情感倾向点互信息算法 SO-PMI

在这里插入图片描述
$P_{word}$ 指一个基准词， $P_{w}$ 指基准词列表， $w o r d$ 指随便一个词；

SO-PMI的基本思想是：有两个情感倾向的列表，一个是正向的情感词，一个是负向的情感倾向。计算每个词与这两个列表中的每个词的PMI，看这个词更接近哪个列表，是更接近正向情感词列表还是负向情感词列表。即：

SO-PMI值> 0，表示这个词更接近正向，即褒义词
SO-PMI值 = 0，表示这个词为中性词
SO-PMI值 < 0，表示这个词更像是负面词，即贬义词

一句话形容这个算法：判断一个词更倾向于与积极词一起出现，还是与消极词一起出现。

3. 构建情感词典

参考Github项目：https://github.com/liuhuanyong/SentimentWordExpansion

1. 导入项目

在python环境中安装依赖：

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ jieba

然后使用git导入项目：

git clone [email protected]:liuhuanyong/SentimentWordExpansion.git

导入项目后直接运行SOPMI.py文件就可以运行案例了。构建自己的情感词典，需要替换data/文件夹下的train.txt语料库与sentiment_words.txt情感种子词，或是修改SOPMI.py文件中的构造函数：

    def __init__(self):
        self.train_path = './data/train.txt' # 需要提供的训练数据语料库
        self.sentiment_path = './data/sentiment_words.txt' # 需要提供的情感种子词列表
        
        self.candipos_path = './data/candi_pos.txt' # 输出的正向词列表
        self.candineg_path = './data/candi_neg.txt' # 输出的负向词列表

2. 构建情感种子词

在SO-PMI算法中提供基准词 $P_{word}$ 的词称为情感种子词，需要自定义，种子词的构建直接决定了最后的效果。

从预料中选择一些主观上明显感觉这个词有强烈的情感倾向的词，然后按照种子词的格式罗列下来就行。种子词的列表格式是一个词\t情感倾向\n，其中情感倾向有pos正向/积极与 neg负向/消极，例：

解决	pos
尊敬	pos
问题	neg
严重	neg
投诉	neg
噪音	neg

博主这里提供一个构建情感种子词的工具类，方便将看着像这种格式，但是并没有用\t切分的文件转换成能直接输入的格式：

file = open('my_sentiment_words.txt', 'a')
for line in open('data/sentiment_words.txt'):
    line_list = line.strip().split(' ') # 词与情感倾向之间用空格切分，没有用\t切分
    file.write(line_list[0] + '\t' + line_list[1] + '\n')
file.flush()
file.close()

3. 使用TF-IDF方便构建情感种子词

自己去从海量的文本中找有明显情感倾向的词这也太硬核了！所以借助TF-IDF构建会方便很多。TF-IDF的算法这里就不展开了，直接上代码：

import jieba  # 分词器
import jieba.analyse
import pandas as pd


def tfidf_ana(content):
    title_keys = jieba.analyse.extract_tags(content, topK=700, withWeight=False)  # topK为期望得到的关键词个数
    with open('tf_idf_words.txt', 'a') as file:
        for i in title_keys:
            file.write(i + '\n')
        file.flush()
        file.close()


if __name__ == '__main__':
    answer_df = pd.read_csv('../coment_answer.csv')
    answer_list = answer_df['content'].to_list()
    answer_str = ''
    for k in answer_list:
        answer_str += str(k)
    data = tfidf_ana(answer_str)

在tf_idf_words.txt这个文件中会借助TF-IDF输出700个词，从700个词中挑选情感种子词总比从语料库中找方便吧。输出格式：

拆迁
需求
附近
纠纷
受理
催促

4. 构建专业词典的效果与使用方法

以输出的candi_pos.txt为例，这些内容包括词语,pmi值,情感极性,词的长度,词性，使用情感词典时可以把所有词的权重定为1，也可以使用pmi值作为权重，来判断一句话的整体情感。

简单化,102.5088270306492,pos,3,v
不辞辛苦,99.88645456051404,pos,4,i
心怀,99.65437740515684,pos,2,n
祝愿,84.25764401332869,pos,2,v
人民大众,83.15324812078094,pos,4,nt
适时,82.92507246585465,pos,2,ad
欣喜,81.43696536070502,pos,2,a
密切,78.28173699693579,pos,2,ad
辛勤工作,77.90533206036869,pos,4,n

5. 其他说明

按照如上所述，替换掉案例中data/文件夹下的train.txt语料库与sentiment_words.txt情感种子词后，运行SOPMI.py即可得到预期效果。如果有报错请检查情感种子词格式每一行是否中间是用\t切分，结尾是否用\n换行。

在这个项目中collect_cowords函数中有一个参数词共现窗口window_size，可自行指定

使用SO-PMI算法构建行业/专业情感词典