第四章：用Python对用户的评论数据进行情感倾向分析

文章目录

• 项目背景
• 获取数据
• 情感倾向
• • senta_bilstm 模型
  • 情感划分
• 数据描述
• 数据分析
• • 总体评论倾向
  • 评论分布
  • 各分布的情感倾向
• 评论分词
• • 去除停用词
  • 绘制词云图
• 结论

1. 使用 pandas 中的 read_sql 读取 sqlite 中的数据
2. 使用飞浆模型 senta_bilstm 对评论数据进行情感分析
3. 使用飞浆模型 lac 对评论数据进行分词
4. 使用 groupby+agg 方法统计评论主题中消极和积极用户分布
5. 使用 value_counts 方法统计整体评论分布情况
6. 使用 pyecharts 绘制柱状图、词云图

数据解释：

user_id：用户id

username：用户名

age：年龄

content：评论内容

sentiment_value：情感值【0消极，1积极，-1未知】（用飞浆重写训练得到情感值）

create_time：评论时间

subject：评论主题

情感倾向

小凡使用百度飞浆（paddlepaddle）模型库中的情感分析模型，将评论数据（content）转化为情感类别【积极1，消极0】

senta_bilstm 模型

一、window10+anaconda3的安装命令：

其他安装飞浆命令：官 地址

二、安装预训练模型应用工具 PaddleHub

飞浆模型库地址：官 地址

飞浆情感分析模型介绍：官 地址

情感划分

将 negative_probs>=0.7 的定义为消极

数据分析

总体评论倾向

用户的评论内容多集中在配置、音质等主题上

各分布的情感倾向

评论分词

这里使用百度飞浆的LAC分词模型

飞浆LAC分词模型：官 地址

去除停用词

绘制词云图