[Python NLTK] Cas pratique : analyse des sentiments, aperçu des émotions des utilisateurs

L'analyse des sentiments, également connue sous le nom d'opinion mining, est une branche importante du Traitement du langage naturel, visant à comprendre et à identifier les émotions et les émotions dans le texte. L'analyse des sentiments est largement utilisée dans de nombreux domaines, tels que l'analyse de l'opinion publique, l'analyse de la satisfaction client, l'analyse de l'évaluation des produits, etc.

Dans ce tutoriel, nous utiliserons la bibliothèque python NLTK pour mettre en œuvre l'analyse des sentiments et démontrer comment mieux comprendre les émotions des utilisateurs. Tout d'abord, nous devons importer les bibliothèques nécessaires :

import nltk
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

Ensuite, nous devons télécharger et charger le dictionnaire des émotions. NLTK propose de nombreux dictionnaires d'émotions, l'un des dictionnaires couramment utilisés est VADER (Valence Aware Dictionary and sEntiment Reasoner). Nous pouvons utiliser le code suivant pour télécharger et charger le dictionnaire VADER :

from nltk.sentiment.vader import SentimentIntensityAnalyzer
analyzer = SentimentIntensityAnalyzer()

Après avoir chargé le dictionnaire, nous pouvons effectuer une analyse des sentiments sur le texte. NLTK fournit de nombreuses fonctions d'analyse des sentiments, l'une des fonctions couramment utilisées est SentimentIntensityAnalyzer.polarity_scores(). Nous pouvons utiliser cette fonction pour calculer la polarité du sentiment du texte. La plage de polarité est [-1, 1], où -1 représente un sentiment négatif, 0 représente un sentiment neutre et 1 représente un sentiment positif.

text = "这部电影真是一部杰作！"
score = analyzer.polarity_scores(text)
print(score)

Le résultat de sortie est :

scores = [analyzer.polarity_scores(text) for text in texts]
polarity = [score["compound"] for score in scores]
plt.hist(polarity, bins=10)
plt.xlabel("情感极性")
plt.ylabel("文本数量")
plt.title("情感分析结果")
plt.show()

En traçant les résultats de l'analyse des sentiments, nous pouvons voir visuellement la répartition des sentiments du texte et en extraire des informations précieuses.

J'espère que cet article vous sera utile. Si vous avez des questions ou des suggestions, n'hésitez pas à me contacter.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!