用“一袋子词”进行情感分析

很久以来，主流 NLP （Natural Language Processing）就在这样的一袋子词里面做文章，有时候也确实做出了蛮漂亮的文章，都是用的基于统计的机器学习。什么是“一袋子词”呢？

NLP 的对象是自然语言文本（speech 不论），具体说来，根据任务的不同，这个对象是语料库（corpus）、文章（document）或帖子（post），都是有上下文（discourse）的 text，作为 NLP 系统的输入。对于输入的 text，首先是断词（tokenization）。断词以后，有两条路可走，一条路是一句一句去做句法结构分析（parsing），另一条路就是这一袋子词的分析，又叫基于关键词（keywords）的分析。所以，一袋子词是相对于语言结构（linguistic structure）而言的。换句话说，一袋子词就是要绕过句法，把输入文字打散成词，然后通过统计模型，来完成指定的语言处理任务。（科学网，立委科普）

一袋子词（bag-of-words）模型在主题分类上做得很好，但是一旦涉及到情感分类，就不是很精确了。Bo Pang 和 Lillian Lee 在 2002 年的电影评论情感分析研究中，精确度才达到 69%。要是用 3 种常用的文本分析分类器（Naive Bayes、Maximum Entropy、Support Vector Machines），精确度能达到大约 80%（取决于采用的 feature）。

那么为什么还要用“一袋子词”模型呢？原因就在于可以帮助我们更好地理解文本内容，并且帮助我们为 3 个常用分类器选择 feature。Naive Bayes 模型也是基于“一袋子词”模型的，所以“一袋子词”模型可以作为一个中间步骤。

数据收集

Ahmet Taspinar 是一名数据科学家、软件工程师，同时也在攻读应用物理学。针对“一袋子词”的情感分析，他进行了一个实验。在他的实验中，他用著名的 Python 爬虫工具—BeautifulSoup，从亚马逊网站上爬取了大量的图书评论。在总共的 213335 本图书评论中随机选了 8 本书的评论。

然后，他针对这 8 本书的不同打分，做了一个柱状分布图。从图中可以看到，分布变化趋势还是挺明显的，平均分以上的书，几乎没有 1 分的，远差于平均水平的书，不同等级的评分具有独特的分布趋势。

我们能看到，“Gone Girl”的评分分布趋势很漂亮，所以比较适合我们的数据训练；而“Unbroken”、“The Martian”这两本书，1 分的评分量都不太够，所以用于训练“差评”不是很合适。

建立“一袋子词”模型

下一步，Ahmet Taspinar 将评论语料数据分成“训练数据集”和“测试数据集”。“Gone Girl”大概有 40000 个评论，所以他用最多一半的评论来训练，用剩下一半评论来测试模型。为了考虑到训练数据集大小对模型精确度产生的效应，他还会将训练数据集的大小从 1000 条评论到 20000 条评论之间来回变换。

“一袋子词”模型是 NLP 中最简单的语言模型之一。它通过追踪每个词的出现次数来建立文本的一元语法模型（Unigram Model），然后它可以用作文本分类器的 feature。在“一袋子词”模型中，你只能考虑单个的一些词，然后给每个词赋予一个特定的主观性得分。这个主观性得分可在情感词汇中查到。如果总分比较低，那么该文本就是“差评”，反之亦然。“一袋子词”很容易做，但是不够精确，因为它没有考虑词的顺序或者语法。简单的改进就是把一元语法模型和二元语法模型（Bigram Model）结合起来用，即不要在诸如“not”、“no”、“very”、“just”等词语后面断句。这样很好实现，但却有意想不到的效果。如果不把一元模型和二元模型结合，仅仅用一元模型，“This book is not good”就会判为“好评”，“This book is very good”和“This book is good”的评分就会一样。

建立“一袋子词”的伪代码如下所示：

list_BOW = []
For each review in the training set:
Strip the newline charachter “\n” at the end of each review.
Place a space before and after each of the following characters: .,()[]:;”  (This prevents sentences like “I like this book.It is engaging” being interpreted as [“I”, “like”, “this”, “book.It”, “is”, “engaging”].)
Tokenize the text by splitting it on spaces.
Remove tokens which consist of only a space, empty string or punctuation marks.
Append the tokens to list_BOW.
list_BOW now contains all words occuring in the training set.
Place list_BOW in a Python Counter element. This counter now contains all occuring words together with their frequencies. Its entries can be sorted with the most_common() method.

制作情感词汇

现实问题是，我们怎么通过判断每个词的情感 / 主观得分来判断整个文本的情感 / 主观得分呢？的确，我们可以使用一些开源的词汇库，但是我们不知道这些词汇是在何种状态下、出于何种目的建立起来的。而且，绝大多数的词汇都被分成两类：要么好评、要么差评。

如果用训练数据集的一些统计指标来判断每一个词的主观得分，可能会好一些。为了这样做，Ahmet Taspinar 判断了”一袋子词“中每一个词出现的类概率。这可以通过使用 Panda Dataframe 作为 datacontainer（但只能用 dictionary 或者其他的数据格式来做）。代码如下：

from sets import Set
import pandas as pd
 
BOW_df = pd.DataFrame(0, columns=scores, index='')
words_set = Set()
for review in training_set:
    score = review['score']
    text = review['review_text']
    splitted_text = split_text(text)
    for word in splitted_text:
        if word not in words_set:
            words_set.add(word)
            BOW_df.loc[word] = [0,0,0,0,0]
            BOW_df.ix[word][score] += 1
        else:
            BOW_df.ix[word][score] += 1

这里 split_text 是用于将一句话拆分成单个词的列表的方法：

def expand_around_chars(text, characters):
     for char in characters:
     text = text.replace(char, " "+char+" ")
     return text
 
def split_text(text):
     text = strip_quotations_newline(text)
     text = expand_around_chars(text, '".,()[]{}:;')
     splitted_text = text.split(" ")
     cleaned_text = [x for x in splitted_text if len(x)>1]
     text_lowercase = [x.lower() for x in cleaned_text]
     return text_lowercase

输出结果为一个包含了每种类型每个单词出现次数的数据列表：

我们可以看到，还是有一些词只出现了一次。这些词在它们出现的这个类里，类概率是 100%。这种分布根本就不能真实反映实际的类分布状况。因此，对于定义一些“出现的临界值”还是不够好；出现次数少于这个值的单词不被列入考虑范围内。

通过用“一行中每个单词出现次数”除以“一行中所有词出现次数之和”，Ahmet Taspinar 得到了一个数据表，这个表包含了每种类型每个单词的相对出现次数。例如：每个单词的类概率图。做完这些后，class 1 中概率最高的单词被认为是“差评”的，class 5 中概率最高的单词被认为是“好评”的。

由此，我们可以从训练数据集中构建情感词汇，并用于衡量测试数据集中的评论主观性。随着训练数据集的大小不同，情感词汇也变得越来越精确了。

判断评论的主观性

通过将“4 star”和“5 star”标记为“好评”，“1 star”和“2 star”标记为“差评”，“3 star”标记为“中立”，并结合下图所示的“好评词”和“差评词”，我们可以使用“一袋子词”模型来判断一个评论究竟是“好评”还是“差评”了，并且精确度能达到 60% 以上。

展望

“一袋子词”通过绕过句法，把输入文字打散成词，然后使用统计模型完成基于关键词的分析。它可以帮助我们更好地理解文本内容，包括使用常用分类器来进行情感分析时，也是必不可少的关键步骤。那么展望未来，使用“一袋子词”来进行情感分析还有以下问题需要解决：

• 使用从 A 书的评论中建立的好评和差评词语，来判断 B 书评论的主观倾向性，其精确度有多高呢？
• 有太多词语本身没有正面或负面的意思，但却容易让人觉得有正面或负面的主观倾向，这些词只有结合上下文才能更好地理解。如果我们考虑二元语法模型（Bigram Model），甚至三元语法模型（Trigram Model），“一袋子词”的精确程度又能提高多少呢？
• 从所有书籍的所有评论中提取情感词汇全集，有没有可能实现？
• 使用“一袋子词”来作为三种常用分类器（Naive Bayes、Maximum Entropy 和 Support Vector Machines）的 feature。