作者 佚名
译者 钱亦欣
引言
使用一些建模分析手段来评价电影的成功已经屡见不鲜，这类预测模型常常使用注入电影制作成本，类型，主演，出品方等结构化数据作为输入。然而，在社交媒体日益发达的现在，人们时常会在Twitter，Facebook等网站上发表自己的意见和建议。社交媒体已然是衡量电影观众情绪的潜在工具了。
本文将以2017年的宝莱坞电影“Rangoon”为例子，用R语言来分析Twitter用户对他的情感评价。
目录
文本挖掘导论
分析目标
数据
分析过程1 使用“tm”包
分析过程2 使用“suazyhet”包
结论
为电影预测构建一个算法
1. 文本挖掘导论
在进入正题之前，我们不妨问这样一个问题：什么是文本挖掘？
简而言之，文本挖掘就是把非结构化的文本数据转化为有意义的观点的过程。转化后的观点可以针对用户建议，产品评价，情感分析和消费者反馈等
与传统方法依靠的结构化数据不同，文本挖掘的对象是结构松散有诸多语法和拼写错误的文本，而且还时常包含多种语言。这使得整个挖掘过程变得更有趣且富有挑战性。
在文本挖掘领域有两大常用方法：情感分析和词包挖掘（Bag of Words，a.k.a bow model）。
情感分析关心单词的结构和语法，词包挖掘则是把文本（句子，微博，文档）视作单词的集合（包）。
2. 分析目标
每个分析项目都应该有个明确的目标，本文的目标就是对Twitter数据使用文本挖掘技术来获取用户对电影“Rangoon”的情感评价。
3. 数据
分析的第一步就是要获取数据，如今获取Twitter数据只需要通过网页爬虫或者API就可以实现。本文则使用R语言中的“twitterR”包收集了10000条关于“Rangoon”的推文
我使用了“twitterR”采集了10000条关于“Rangoon”的推特和回复，这部电影与2017年2月24日上映，我采集了2月25日的推特并把它们存在csv文件里，再用“readr”包读入R里。从推特采集数据的过程超出了本文的范畴，暂且不表。
# 加载数据
library(readr)
rangoon = read_csv("rangoontweets.csv")4. 用“tm”包进行分析
“tm”包是在R内进行文本挖掘的框架，它会基于广泛使用的“Bag of Words”原则进行分析。这一方法非常简单易用，它会统计文本中每个词的频率，然后把词频作为变量。这一看似简单的方法其实非常有效，并且现在已经成了自然语言处理领域的基准。
主要步骤如下：
Step 1: 加载相应的包并且提出数据
# 加载包
library('stringr')
library('readr')
library('wordcloud')
library('tm')
library('SnowballC')
library('RWeka')
library('RSentiment')
library(DT)
# 提出相关数据
r1 = as.character(rangoon$text)Step 2: 数据预处理
对文本进行预处理可以显著提升Bag of Words方法（其他方法也是）的效果。
预处理的第一步是构建语料库，简单地说就是一本词典。语料库一旦建立好了，预处理也就完成了大半。
首先，让我们移除标点，基础方法就是把不是数字和字母的对象移除。当然，有时标点符号也很有用，像web地址中标点就有提示符的作用。所以，移除标点要具体问题具体分析，本文中则不需要它们。
之后，我们把单词都变成小写防止统计错误。
预处理的另一个任务是把没有用的词组去掉，很多词被频繁使用但只在句子里才有意义。这些词被称为“stop words”（停词）。举个例子，像the，is这些词就是停词，它们对之后的情感分析无甚作用，所以就把它们去掉来给数据瘦身。
另一个重要环节是stemming（词干提取），他能把不同结尾的词转换成原始形式。比如，love，loved，loving这些词之间的差异很小，可以用一个词干也就是lov来代表它们，这个降维过程就叫词干提取。
一旦我们把数据预处理好了，我们就可以开始统计词频来为未来建模做准备了。tm包提供了一个叫“DocumentTermMatrix”的来完成相应功能，它会返回一个矩阵，矩阵的每一行代表文档（本例中是一条推特），列就代表了推特中的单词。具体的数据就代表了每条对特相应单词的出现频率。
我们生成这个举证并把它命名为“dtm_up”。
# 数据预处理
set.seed(100)
sample = sample(r1, (length(r1)))
corpus = Corpus(VectorSource(list(sample)))
corpus = tm_map(corpus, removePunctuation)
corpus = tm_map(corpus, content_transformer(tolower))
corpus = tm_map(corpus, removeNumbers)
corpus = tm_map(corpus, stripWhitespace)
corpus = tm_map(corpus, removeWords, stopwords('english'))
corpus = tm_map(corpus, stemDocument)
dtm_up = DocumentTermMatrix(VCorpus(VectorSource(corpus[[1]]$content)))
freq_up <- colSums(as.matrix(dtm_up))Step 3: 计量情感
现在是时候来进行情感打分了。R中的“calculate_sentiment”函数可以完成这一工作，它会读入文本并计量每个句子的情感得分。这一函数会把文本作为输入，输出一个包含每个句子情感得分的向量。
让我们来实现这一功能。
# 计量情感
sentiments_up = calculate_sentiment(names(freq_up))
sentiments_up = cbind(sentiments_up, as.data.frame(freq_up))
sent_pos_up = sentiments_up[sentiments_up$sentiment == 'Positive',]
sent_neg_up = sentiments_up[sentiments_up$sentiment == 'Negative',]
cat("We have far lower negative Sentiments: ",sum(sent_neg_up$freq_up)," than positive: ",sum(sent_pos_up$freq_up))我们发现褒义词和贬义词的比例是5780/3238 = 1.8，乍一看电影还是受到观众的好评的
让我们分别深入挖掘好拼和差评来获取更深的理解。
- 褒义词
下方的表格展示了被分类为好拼的文本的词频，我们通过datatable函数实现这个功能。
“love”，“best”和“brilliant”是好评中的三大高频词。
DT::datatable(sent_pos_up)textsentimentfreq_upaccomplishaccomplishPositive1adaptadaptPositive2appealappealPositive4astonishastonishPositive3awardawardPositive85aweawePositive11awestruckawestruckPositive5benefitbenefitPositive1bestbestPositive580betterbetterPositive186
我们可以把这个结果用词云进行可视化，词云中单词个头越大代表它出现频率越高。
- 褒义词词云
layout(matrix(c(1, 2), nrow=2), heights=c(1, 4))
par(mar=rep(0, 4))
plot.new()
set.seed(100)
wordcloud(sent_pos_up$text,sent_pos_up$freq,min.freq=10,colors=brewer.pal(6,"Dark2"))
词云也显示了love是好评中频率最高的单词。
- 贬义词
重复之前的步骤，贬义词中“miss”，“dismal”和“hell”是top3，让我们也用词云来可视化。
DT::datatable(sent_neg_up)textsentimentfreq_upabruptabruptNegative3addictaddictNegative1annoyannoyNegative3arduousarduousNegative1attackattackNegative2awkwardawkwardNegative2badbadNegative64badbadNegative64baselessbaselessNegative1bashbashNegative5beatbeatNegative22
贬义词词云
plot.new()
set.seed(100)
wordcloud(sent_neg_up$text,sent_neg_up$freq, min.freq=10,colors=brewer.pal(6, "Dark2")
考虑到这些异象，我们要对分析结果做进一步处理。之前统计的褒贬词的比例是1.8，现在3238个贬义词中的144个“hell”先不考虑，这样这个比例会上升到1.87。
这是得到观众对Rangoon平价的第一步，看起来好评居多，我们需要用更细致的方法省查这一结论。
5. 用 “syuzhet” 包进行分析
“syuzhet”包会使用3个情感词典来进行情感分析。与上述方法不同，它能分析更广范围的情感。当然，第一步还是要对数据进行预处理，包括对html链接进行清洗。
# 方法2 - 使用syuzhet包
text = as.character(rangoon$text)
## 去掉回复
some_txt<-gsub("(RT|via)((?:\\b\\w*@\\w+)+)","",text)
## 清洗html链接
some_txt<-gsub("http[^[:blank:]]+","",some_txt)
## 去掉人名
some_txt<-gsub("@\\w+","",some_txt)
## 去掉标点
some_txt<-gsub("[[:punct:]]"," ",some_txt)
## 去掉数字
some_txt<-gsub("[^[:alnum:]]"," ",some_txt)在预处理之后，可以用“get_nrc_sentiment”函数来提取情感。这个函数会调用NRC情感词典来计量不同的情感的程度和相关比例。
这个函数会输出一个数据框，每一行代表原始文件的一个句子，每一列代表一种情感类型和正负情感配比。一共有十列，代表“anger”, “anticipation”, “disgust”, “fear”, “joy”, “sadness”, “surprise”, “trust”, “negative”, “positive”。
让我们把这个结果也可视化
# 可视化
library(ggplot2)
library(syuzhet)
mysentiment<-get_nrc_sentiment((some_txt))# 得到每种情感的得分
mysentiment.positive =sum(mysentiment$positive)
mysentiment.anger =sum(mysentiment$anger)
mysentiment.anticipation =sum(mysentiment$anticipation)
mysentiment.disgust =sum(mysentiment$disgust)
mysentiment.fear =sum(mysentiment$fear)
mysentiment.joy =sum(mysentiment$joy)
mysentiment.sadness =sum(mysentiment$sadness)
mysentiment.surprise =sum(mysentiment$surprise)
mysentiment.trust =sum(mysentiment$trust)
mysentiment.negative =sum(mysentiment$negative)# 绘制柱状图
yAxis <- c(mysentiment.positive,
+ mysentiment.anger,
+ mysentiment.anticipation,
+ mysentiment.disgust,
+ mysentiment.fear,
+ mysentiment.joy,
+ mysentiment.sadness,
+ mysentiment.surprise,
+ mysentiment.trust,
+ mysentiment.negative)xAxis <- c("Positive","Anger","Anticipation","Disgust","Fear","Joy","Sadness","Surprise","Trust","Negative")
colors <- c("green","red","blue","orange","red","green","orange","blue","green","red")
yRange <- range(0,yAxis) + 1000
barplot(yAxis, names.arg = xAxis,
xlab = "Emotional valence", ylab = "Score", main = "Twitter sentiment for Movie Rangoon 2017", sub = "Feb 2017", col = colors, border = "black", ylim = yRange, xpd = F, axisnames = T, cex.axis = 0.8, cex.sub = 0.8, col.sub = "blue")
colSums(mysentiment)
