snownlp情感分析原理 snownlp情感分析训练

 

snownlps是用Python写的个中文情感分析的包，自带了中文正负情感的训练集，主要是评论的语料库。使用的是朴素贝叶斯原理来训练和预测数据。主要看了一下这个包的几个主要的核心代码，看的过程作了一些注释，记录一下免得以后再忘了。

1. sentiment文件夹下的__init__.py，主要是集成了前面写的几个模块的功能，进行打包。

1 # -*- coding: utf-8 -*-
 2 from __future__ import unicode_literals
 3 
 4 import os
 5 import codecs
 6 
 7 from .. import normal
 8 from .. import seg
 9 from ..classification.bayes import Bayes
10 
11 data_path = os.path.join(os.path.dirname(os.path.abspath(__file__)),
12                          'sentiment.marshal')
13 
14 
15 class Sentiment(object):
16 
17     def __init__(self):# 实例化Bayes()类作为属性，下面的很多方法都是调用的Bayes()的方法完成的
18         self.classifier = Bayes()
19 
20     def save(self, fname, iszip=True):# 保存最终的模型
21         self.classifier.save(fname, iszip)
22 
23     def load(self, fname=data_path, iszip=True):
24         self.classifier.load(fname, iszip)# 加载贝叶斯模型
25 
26     # 分词以及去停用词的操作
27     def handle(self, doc):
28         words = seg.seg(doc)# 分词
29         words = normal.filter_stop(words)# 去停用词
30         return words# 返回分词后的结果，是一个list列表
31 
32     def train(self, neg_docs, pos_docs):
33         data = []
34         for sent in neg_docs:# 读入负样本
35             data.append([self.handle(sent), 'neg'])
36             # 所以可以看出进入bayes（）的训练的数据data格式是[[[第一行分词],类别],
37             #                                             [[第二行分词], 类别]，
38             #                                             [[第n行分词],类别]
39             #                                                              ]
40         for sent in pos_docs: # 读入正样本
41             data.append([self.handle(sent), 'pos'])
42         self.classifier.train(data)  # 调用的是Bayes模型的训练方法train()
43 
44     def classify(self, sent):
45         ret, prob = self.classifier.classify(self.handle(sent))#得到分类结果和概率
46         if ret == 'pos':#默认返回的是pos('正面'），否则就是负面
47             return prob
48         return 1-prob
49 
50 
51 classifier = Sentiment()#实例化Sentiment()对象
52 classifier.load()
53 
54 
55 def train(neg_file, pos_file):
56     #读取正负语料库文本
57     neg_docs = codecs.open(neg_file, 'r', 'utf-8').readlines()
58     pos_docs = codecs.open(pos_file, 'r', 'utf-8').readlines()
59     global classifier#声明classifier为全局变量，下面重新赋值，虽然值仍然是Sentiment()函数
60     classifier = Sentiment()
61     classifier.train(neg_docs, pos_docs)#调用Sentment()模块里的train（）方法
62 
63 
64 def save(fname, iszip=True):
65     classifier.save(fname, iszip)
66 
67 
68 def load(fname, iszip=True):
69     classifier.load(fname, iszip)
70 
71 
72 def classify(sent):
73     return classifier.classify(sent)

2.使用的朴素贝叶斯原理及公式变形

 

classification文件夹下的Bayes.py模块主要包含两个方法train（data）和classify（X），训练和预测方法

1     # 训练数据集
 2     # 训练的数据data格式是[[['分词1','分词2','分词x'],类别],
 3     #                     [[第二行分词], 类别],
 4     #                     [[第n行分词],类别]
 5     #                                      ]
 6     def train(self, data):#训练后得到的self.d={'neg':AddOneProb,'pos':AddOneProb},AddOneProb包含重要的分词信息，他里面也有一个self.d={'分词1':v1,'分词2':v2,'分词3':v3,...}包含分词和相应的分词个数。
 7 
 8         # 遍历数据集
 9         for d in data:
10             # d[1]标签-->分类类别
11             c = d[1]
12             # 判断数据字典中是否有当前的标签
13             if c not in self.d:
14                 # 如果没有该标签，加入标签，值是一个AddOneProb对象。其实就是为每个分词建一个AddOnePro对象来计数
15                 self.d[c] = AddOneProb()
16             # d[0]是评论的分词list，遍历分词list
17             for word in d[0]:
18                 # 调用AddOneProb中的add方法，添加单词
19                 self.d[c].add(word, 1)#self.d[c]是AddOneProb对象，调用AddOneProb的add（）函数来对词word计数，重点看frequency.py中的几个类
20         # 计算总词数
21         self.total = sum(map(lambda x: self.d[x].getsum(), self.d.keys()))#self.d[x].getsum()是调用AddOneProb对象的getsum()函数计算词
22 
23     #对句子x分类,而x是被分过词的列表,(将句子分词的步骤会在Sentiment类中的分类函数classify()执行，这里不要管，只要知道x是分词后的的列表）
24     def classify(self, x):
25         tmp = {}
26         # 遍历每个分类标签，本案例中只有两个类别
27         for k in self.d:
28             tmp[k] = log(self.d[k].getsum()) - log(self.total)#计算先验概率，即p(neg)和p(pos)两个类别的概率
29             for word in x:
30                 tmp[k] += log(self.d[k].freq(word))#计算后验概率，即每个类别条件下某个分词的概率p('词A'|neg)和p('词A'|pos)，# 词频，词word不在字典里的话就为0
31         ret, prob = 0, 0
32         for k in self.d:#遍历两个类
33             now = 0#预测值赋初值为0
34             try:
35                 for otherk in self.d:#当类相同时now=1，类不同时now累加exp（tmp[otherk]-tmp[k]），最终计算now为变形后的朴素贝叶斯预测值的分母
36                     now += exp(tmp[otherk]-tmp[k])#朴素贝叶斯变形式可见博客
37                 now = 1/now#求倒数为得到的这个类的预测值
38             except OverflowError:
39                 now = 0
40             if now > prob:#比较两个类别的概率谁大，大的就是这个文本的类别。注意：初始prob等于0，经过遍历后悔更新prob并且prob等于相应类别的朴素贝叶斯概率
41                 ret, prob = k, now
42         return (ret, prob)
43         #这里用朴素贝叶斯方法计算

注意：classify()方法中的朴素贝叶斯变形方法的编写，下面两个for循环，先是遍历两个类，比例第一个类，now表示对这个类计算的贝叶斯预测值，赋初值为0，第二个循环遍历第一个类（otherk=k），

exp(tmp[otherk]-tmp[k])=exp（0）=1，则now=1，再遍历第二个类得到上面变形公式中的第二部分值，这两个相加得到的new就是

最后再倒数就得到了

   

 

再附加一个上面的AddOneProb()方法的源代码解析，他就是一个对输入的分词计数的函数，将语料库的词进行分类计数，为了训练做得到先后验概率准备：

1 '''对词计算频数'''
 2 class BaseProb(object):
 3 
 4     def __init__(self):
 5         self.d = {}#用来存储分词和分词的个数，键是分词，值是分词的个数
 6         self.total = 0.0#计数总共的词个数
 7         self.none = 0
 8 
 9     def exists(self, key):#判断字典self.d中是否存在这个词key
10         return key in self.d
11 
12     def getsum(self):#返回语self.d中存储的词的总数
13         return self.total
14 
15     def get(self, key):#判断字典中是否存在这个词key,并且返回这分词的词个数
16         if not self.exists(key):
17             return False, self.none
18         return True, self.d[key]
19 
20     def freq(self, key):#计算词key的频率
21         return float(self.get(key)[1])/self.total
22 
23     def samples(self):#返回字典的键，其实就是返回所有的分词，以列表形式
24         return self.d.keys()
25 
26 
27 class NormalProb(BaseProb):
28 
29     def add(self, key, value):
30         if not self.exists(key):
31             self.d[key] = 0
32         self.d[key] += value
33         self.total += value
34 
35 
36 '''对词计数'''
37 class AddOneProb(BaseProb):#继承BaseProb类，所以BaseProb类中的属性和函数都能用。
38 
39     def __init__(self):
40         self.d = {}
41         self.total = 0.0
42         self.none = 1
43 
44     def add(self, key, value):
45         self.total += value#计算总词数
46         if not self.exists(key):#如果这个词key不在self.d中的话，那么在字典中加上这个词，即键为此，并且给这个词计数1，同时总的词数量total加1.
47             self.d[key] = 1
48             self.total += 1#感觉不应该再加1了，上面都已经计算过总数了？？？？说是后面预测要用到，可能是要平滑
49         self.d[key] += value#如果字典已经有这个词了的话，那么给这个词数量加1

 

对于局进行分词的方法Handle()感觉也很重要，也需要看一看。