紫薇情感分析——哪些人的婚姻难幸福

人们都说家和万事兴，家是一个人坚强的后盾，家庭婚姻幸福的人，心情必然是愉悦的，做起事来也格外容易成功。相反，假如一个人的婚姻不幸福，家庭生活矛盾重重，必然会影响其工作和事业，即使外表看起来很成功，内心也是不快乐的。下面我们从紫微斗数的角度来为大家分析一下，哪些人的婚姻难幸福。

在紫微斗数命盘中，共有十二个宫位（免费查询），每个宫位都有一些星矅入驻，通过这些星矅和宫位的不同组合，反映出每个人不同的命运特征。而在紫微十二宫里，有一个宫位称为福德宫（如下图），这个宫位主要显示人一生的物质和精神享受程度，包括的福份、享乐、精神状态（悲观或乐观）、辛苦或安逸、趣味及嗜好等。此外，根据福德宫的星矅组合情况，也可以看出一个人的婚姻幸福程度。例如我们下面所列举的组合，往往容易出现婚姻问题。

一、福德宫有化忌星

假如紫微福德宫中有化忌星入驻，其人并非开朗之人，常常自寻烦恼，即使表面看去心情平静，内心却常因小事而纠结不清。其人的婚姻大都不太幸福，主因还是命主消极悲观的处事态度造成，很少主动制造温馨浪漫的生活的气氛，使两人的婚姻生活缺乏情趣，经常笼罩在阴霾压抑的氛围里。

二、福德宫有化权星

夫妻关系常见紧绷，是爱得浓郁，吵得厉害的组合，男女主角都是既主观又强势之人，生活的步调紧凑，夫妻间少有闲情雅致，所以这种情境的夫妻关系就有如处在闪黄灯即将转换成红灯前的状况，随时布满紧张的气氛姻，问题在于当命宫或夫妻宫里桃花星曜过多，或出现左辅或右弼星时，那么则须防范偷渡的桃花事件！

三、福德宫是空宫

紫微福德宫为空宫的人相当在意婚姻质量，非常希望自己的婚姻能幸福美满，但是现实往往难如其愿，有时越是想幸福，却因为一些难以预料的变数，使得结果并不理想。由于福德宫为空宫，所以也容易出现不婚的情形，或仅能维持同居关系，同时也是告诫当事者，如想要夫妻间能够白首偕老，必须要付出非常多的努力才能如愿。

四、福德宫有地劫或地空星

地劫、地空像是泥淖、沙漠，会让旅人举步唯艰，体力耗竭之时，则会产生空中楼阁的幻影。所以福德宫中有地劫、地空星的人，往往会有“天马行空”的空幻臆想，在对婚姻生活时容易产生空洞和茫然的情绪，很难有效的将自己的理念或理想付之实现。这样往往使两人的婚姻陷入“无力”的处境，空有理想，难以成真，这样的婚姻又怎么能幸福了呢？

五、福德宫有擎羊星 六、福德宫有火星

新闻情感分析它是新闻内容评论及转发的情感分析的集合，因为每一起舆情事件的信息类型都是由原贴、转发以及评论构成。

那么当网络上有与己相关的舆情事件发生，或想要关注的舆情事件发生时，我们应该如何掌握其情感倾向或各情绪的占比情况，以评估事态影响，采取针对性的应对措施呢？

新闻情感分析解决方法

在这里以新闻情感分析工具-识微商情为例，看其如何助力新闻情感分析工作开展：

1舆情数据收集：可根据用户需求，自动对全网的舆情数据进行采集，释放人力，关注信息一目了然。

2语义分析：这就包括原贴、转发以及评论，用户也可以自定义筛选某一信息类型。通过监测关于某一个特定主题的正负面中立意见，可自动识别文本中各种情感是如何表达的，然后通过内置的告警通知，向舆情接收者发出通知（用户可自定义舆情预警接收方式，如微信、短信、邮件、客户端、人工客服等）。

3全面综合分析：除新闻情感分析之外，还能实时追踪已订阅主题的发展变化趋势，分析舆情事件在各生命周期阶段的热点话题，挖掘舆情事件在演化过程中的传播网站、传播媒体、关键传播节点以及传播溯源、同步生成可视化的分析图表和报告等，便于对网络舆情事件的发展变化趋势做出有效的预测，为舆情应对、引导以及工作总结提供助力。

自然语言处理（NLP）在旅游领域具有广泛的应用，其中之一是情感分析。情感分析是指通过计算机程序来识别文本中的情感倾向，分析人们对旅游目的地、酒店、餐厅、交通工具等的评价。这种技术可以帮助旅游公司、酒店、餐厅等机构了解消费者的需求和喜好，改善服务质量和提高客户满意度。

一个典型的旅游情感分析应用是在线评论分析。在线评论是消费者对旅游目的地、酒店、餐厅等的反馈，通过使用 NLP 技术，旅游公司和酒店等机构可以分析这些评论，了解消费者对服务质量、位置、价格、餐饮等的看法。这些信息可以帮助他们改善服务质量、提高客户满意度。

另一个应用是社交媒体情感分析。社交媒体是消费者展示旅游经历的主要渠道，通过使用 NLP 技术，旅游公司和酒店等机构可以分析消费者在社交媒体上发布的文本、和视频，了解消费者对旅游目的地、酒店、餐厅等的感受。这些信息可以帮助他们改善服务质量、提高客户满意度、扩大品牌知名度。

                                   

此外，NLP还可以用于预测未来趋势，通过分析历史数据来预测旅游需求、价格趋势等，进而帮助旅游公司和酒店等机构调量、提高客户满意度。

NLP技术还可以用于语音识别和语音合成，在旅游领域中应用于语音导航、语音查询等场景。例如，旅游公司可以开发一款语音导航应用，让游客在旅游中使用语音命令来获取信息和导航。

总之，NLP在旅游领域有着广泛的应用，它可以帮助旅游公司、酒店、餐厅等机构了解消费者的需求和喜好，改善服务质量和提高客户满意度。通过使用NLP技术，旅游行业可以更好地了解客户，并提供更好的服务和体验。

很多人并不了解情感分析师到底是个怎样的职业，包括，某些自称是情感分析师的人。感情，是人类思维中最复杂的领域。因为感情没有标准，也难分对与错，只有爱与不爱。所以，很多只做对事的人，也有可能被所爱之人厌烦离弃；而有些常做错事的人，也照样有可能让人爱得难分难舍。

正是基于感情的复杂性，是不可能三言两语说得清的。所以，我的分析流程与绝大多数的情感分析师不同。对于首次咨询，我要求咨询者必须提供五千字以上的情况综述。综述包括个人成长经历、求学经历、工作经历、恋爱经历、家庭背景、直系亲属关系、婚恋对象情况、完整的感情发展过程、双方的原话对话记录、以及两性生活等各方面的信息。

有人可能觉得，这简直是查户口嘛。这么说还真没错，我所想要了解的信息，可能比户籍警所要了解的还细致。也为此婉拒过不少懒得写、或者写不了情况综述的咨询者。原因有三：

一、我个人认为，若一个遭遇感情难题的人，连写五千字的耐心都没有，那么，我很难相信TA在感情问题的对待上，有足够的意志和决心；又或是连写五千字的能力都没有的人，那么，我很难相信TA在相互交流的过程中，有足够的感悟力和理解力。

二、之所以先看写的，而不是去听说的，是因为，如果听，只能听一遍，我还未必记得住；而看文字，可以看几遍、甚至十几遍。这个世界上，在脑袋上画几个圈就能想出绝妙主意的人，就只有动画片里的一休。开国大将粟裕是我军百战百胜的战神，在指挥淮海战役时曾七天七夜未合眼。他在干什么？——看战报、看地图。从某种意义上讲，战争，就是两方指挥官的心理博弈，只有掌握详细和精准的战场信息，准确的分析出对战方的真实意图，自己才能做出最正确的应对。不仅是战场如此，无论在商场、职场、还是情场，概莫如此。

有足够的信息量支撑，才叫分析、推理；没有信息量支撑，那不叫分析，而是猜测、臆想。

三、感情里的很多细节需要换位思考，是要以当事人的性别、性格、思维、行事方式去思考问题。感情中的问题，其实不是事的问题，而是人的问题。只有先了解人，才有资格讨论事。

可能不少人看过我在知乎上的答复，对于公开咨询的，我并不会追问详情，答复都是从大众角度给出的。而私密分析不同，需要从感情双方的个体角度，分析具体到个人的性格、思维以及心理，而不是泛泛的男性心理、女性心理。

我常说一句话：没有任何一种方法可以解决百家问题，哪怕，是相同的问题。因为每段感情里，双方的性格对位都是不同的。什么是性格对位呢？打个俗气的比方。比如，诸葛亮的空城计，就只能由他用在司马懿身上。因为诸葛亮知道司马懿多疑，而司马懿知道诸葛亮多谋，如此，空城计才能有效。倘若是司马懿对着张飞用空城计会是什么结果？——城必破。因为以张飞鲁莽的性格，他才不管你城中有多少兵，先攻了再说。这，就是性格对位。

感情中亦是如此，在别种性格的人那里是解决问题的好方法，但未必到我们这里同样有效。

有些人以为情感分析师是份很轻松的工作，只要凭经验就能张口即来为咨询者提供建议。我不知道别人轻不轻松，我只知道自己的工作没那么轻松。经常会收到咨询者上万字的情况综述，还有少则几千、多则几万条微信、QQ等对话记录。单只是完整的看一遍，有的就需要花四五个小时，再加上思考分析的时间，往往合计是个小时以上。

读到这里，估计有不少人会感叹：你的情感分析，为何如此麻烦。

是的，很麻烦。连我本人都觉得麻烦。但真正的情感分析，原本就是个很费脑力的工作。

如果我们对自己过去所经历的事都没有一个清晰的认知，那么，我们有何资本谈掌控未来？如果我们不能转变原有的那种使自己陷入问题之中的思维，那么，我们凭什么能获得与之前不一样的结果？

我也不愿意给自己找麻烦，但深知，作为情感分析师，就需要对自己的分析负责，因为，给咨询者的每一个建议，都有可能改变其一生的感情生活轨迹。更有甚者，是生与死。

一定会有人觉得这是危言耸听。我说一个真实的事件：有一个刚入行不久的心理咨询师，在某论坛讲述自己遇到的心理咨询个案，一个女孩为情所伤，向他寻求帮助，在咨询的过程中女孩就有透露自己想要轻生的念头。这位年轻的咨询师天天安慰她，但数日之后，女孩还是选择了离开这个世界。事后还有警察登门做调查，因为女孩最后几个通话记录里有他的电话号码。然后他给警察看了与该女孩QQ里的咨询对话记录。自然，他并没有嫌疑。但他还是为此感到痛心与难过。

有人留言安慰这个年轻的咨询师：“你好心帮她，已经很尽力了，她一心求死，这不是你的责任。”

看这位咨询师的叙述，能从其行文中感觉出他是个很善良的人，所以他才会为女孩的离世深感痛心。这样一位好心人，我自然不会发言增加他的自责心理。但今天在自己的文章中，我想说是：单有好心是不行的。正是因为这位年轻咨询师的好心，断送了女孩最后的求生机会。

该女孩在结束生命之前，还肯找心理咨询师寻求心理疏导，说明她去意不绝，说明她也想摆脱这种轻生的想法。这求生与求死，就在一念之间。当一个咨询师，连咨询者的真实心理都摸不清，单只是积极安慰有何用？若是说不到当事人的心里，那么说再多正确的话、再多有理的话，也统统都是废话！一个咨询师若不能懂得咨询者的心理，那么，早早劝其求助资深咨询师，便是对咨询者最大的负责。

在我书中的序言里有一句话：作为一名情感咨询师，如果无法做到与咨询者感同身受，那便是不合适这个职业的。

http://minieastdaycom/bdmip/180414224336264html

在这篇文章中，主要介绍的内容有：

1、将单词转换为特征向量

2、TF-IDF计算单词关联度

文本的预处理和分词。

如何将单词等分类数据转成为数值格式，以方便我们后面使用机器学习来训练模型。

一、将单词转换为特征向量

词袋模型(bag-of-words model)：将文本以数值特征向量的形式来表示。主要通过两个步骤来实现词袋模型：

1、为整个文档集(包含了许多的文档)上的每个单词创建一个唯一的标记。

2、为每个文档构建一个特征向量，主要包含每个单词在文档上的出现次数。

注意：由于每个文档中出现的单词数量只是整个文档集中很少的一部分，因此会有很多的单词没有出现过，就会被标记为0。所以，特征向量中大多数的元素就会为0，就会产生稀疏矩阵。

下面通过sklearn的CountVectorizer来实现一个词袋模型，将文档转换成为特征向量

通过countvocabulary_我们可以看出每个单词所对应的索引位置，每一个句子都是由一个6维的特征向量所组成。其中，第一列的索引为0，对应单词"and"，"and"在第一和二条句子中没有出现过，所以为0，在第三条句子中出现过一些，所以为1。特征向量中的值也被称为原始词频(raw term frequency)简写为tf(t,d)，表示在文档d中词汇t的出现次数。

注意：在上面词袋模型中，我们是使用单个的单词来构建词向量，这样的序列被称为1元组(1-gram)或单元组(unigram)模型。除了一元组以外，我们还可以构建n元组(n-gram)。n元组模型中的n取值与特定的应用场景有关，如在反垃圾邮件中，n的值为3或4的n元组可以获得比较好的效果。下面举例说明一下n元组，如在"the weather is sweet"这句话中，

1元组："the"、"weather"、"is"、"sweet"。

2元组："the weather"、"weather is"、"is sweet"。

在sklearn中，可以设置CountVecorizer中的ngram_range参数来构建不同的n元组模型，默认ngram_range=(1,1)。

sklearn通过CountVecorizer构建2元组

二、TF-IDF计算单词关联度

在使用上面的方法来构建词向量的时候可能会遇到一个问题：一个单词在不同类型的文档中都出现，这种类型的单词其实是不具备文档类型的区分能力。我们通过TF-IDF算法来构建词向量，从而来克服这个问题。

词频-逆文档频率(TF-IDF，term frequency-inverse document frequency)：tf-idf可以定义为词频×逆文档频率

其中tf(t,d)表示单词t在文档d中的出现次数，idf(t,d)为逆文档频率，计算公式如下

其中，nd表示文档的总数，df(t,d)表示包含单词t的文档d的数量。分母中加入常数1，是为了防止df(t,d)=0的情况，导致分母为0。取log的目的是保证当df(t,d)很小的时候，不会导致idf(t,d)过大。

通过sklearn的TfidfTransformer和CountVectorizer来计算tf-idf

可以发现"is"(第二列)和"the"(第六列)，它们在三个句子中都出现过，它们对于文档的分类所提供的信息并不会很多，所以它们的tf-idf的值相对来说都是比较小的。

注意：sklearn中的TfidfTransformer的TF-IDF的计算与我们上面所定义TF-IDF的公式有所不同,sklearn的TF-IDF计算公式

通常在计算TF-IDF之前，会对原始词频tf(t,d)做归一化处理，TfidfTransformer是直接对tf-idf做归一化。TfidfTransformer默认使用L2归一化，它通过与一个未归一化特征向量L2范数的比值，使得返回向量的长度为1，计算公式如下：

下面通过一个例子来说明sklearn中的TfidfTransformer的tf-idf的计算过程，以上面的第一句话"The sun is shining"为例子

1、计算原始词频

a、单词所对应的下标

b、计算第三句话的原始词频tf(t,d)

c、计算逆文档频率idf(t,d)

注意：其他的词在计算tf-idf都是0，因为原始词频为0，所以就不需要计算idf了，log是以自然数e为底。

d、计算tf-idf

所以，第一个句子的tf-idf特征向量为[0,1,129,129,0,1,0]

e、tf-idf的L2归一化