Python - análise de sentimento

A Análise Semântica trata da análise da opinião geral do público. Pode ser uma reação a uma notícia, filme ou qualquer tweet sobre algum assunto em discussão. Geralmente, essas reações são retiradas da mídia social e agrupadas em um arquivo para ser analisado por meio da PNL. Tomaremos um caso simples de definir palavras positivas e negativas primeiro. Em seguida, faça uma abordagem para analisar essas palavras como parte de frases usando essas palavras. Usamos o módulo sentiment_analyzer da nltk. Primeiro realizamos a análise com uma palavra e, em seguida, com palavras emparelhadas também chamadas de bigramas. Por fim, marcamos as palavras com sentimento negativo, conforme definido nomark_negation função.

import nltk
import nltk.sentiment.sentiment_analyzer 
# Analysing for single words
def OneWord(): 
	positive_words = ['good', 'progress', 'luck']
   	text = 'Hard Work brings progress and good luck.'.split()                 
	analysis = nltk.sentiment.util.extract_unigram_feats(text, positive_words) 
	print(' ** Sentiment with one word **\n')
	print(analysis) 
# Analysing for a pair of words	
def WithBigrams(): 
	word_sets = [('Regular', 'fit'), ('fit', 'fine')] 
	text = 'Regular excercise makes you fit and fine'.split() 
	analysis = nltk.sentiment.util.extract_bigram_feats(text, word_sets) 
	print('\n*** Sentiment with bigrams ***\n') 
	print analysis
# Analysing the negation words. 
def NegativeWord():
	text = 'Lack of good health can not bring success to students'.split() 
	analysis = nltk.sentiment.util.mark_negation(text) 
	print('\n**Sentiment with Negative words**\n')
	print(analysis) 
    
OneWord()
WithBigrams() 
NegativeWord()

Quando executamos o programa acima, obtemos a seguinte saída -

** Sentiment with one word **
{'contains(luck)': False, 'contains(good)': True, 'contains(progress)': True}
*** Sentiment with bigrams ***
{'contains(fit - fine)': False, 'contains(Regular - fit)': False}
**Sentiment with Negative words**
['Lack', 'of', 'good', 'health', 'can', 'not', 'bring_NEG', 'success_NEG', 'to_NEG', 'students_NEG']