如何利用hownet进行情感极性分析

情感分析（Sentiment Analysis）

第一步，就是确定一个词是积极还是消极，是主观还是客观。这一步主要依靠词典。

英文已经有伟大词典资源：SentiWordNet 无论积极消极、主观客观，还有词语的情感强度值都一并拿下。

但在中文领域，判断积极和消极已经有不少词典资源，如Hownet，NTUSD但用过这些词典就知道，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库，不过没用过，不好评价）。中文这方面的开源真心不够英文的做得细致有效。而中文识别主客观，那真的是不能直视。

中文领域难度在于：词典资源质量不高，不细致。另外缺乏主客观词典。

第二步，就是识别一个句子是积极还是消极，是主观还是客观。

有词典的时候，好办。直接去匹配看一个句子有什么词典里面的词，然后加总就可以计算出句子的情感分值。

但由于不同领域有不同的情感词，比如看上面的例子，“蓝屏”这个词一般不会出现在情感词典之中，但这个词明显表达了不满的情绪。因此需要另外根据具体领域构建针对性的情感词典。

如果不那么麻烦，就可以用有监督的机器学习方法。把一堆评论扔到一个算法里面训练，训练得到分类器之后就可以把评论分成积极消极、主观客观了。

分成积极和消极也好办，还是上面那个例子。5颗星的评论一般来说是积极的，1到2颗星的评论一般是消极的，这样就可以不用人工标注，直接进行训练。但主客观就不行了，一般主客观还是需要人来判断。加上中文主客观词典不给力，这就让机器学习判断主客观更为困难。

中文领域的难度：还是词典太差。还有就是用机器学习方法判断主客观非常麻烦，一般需要人工标注。

另外中文也有找到过资源，比如这个用Python编写的类库：SnowNLP 就可以计算一句话的积极和消极情感值。但我没用过，具体效果不清楚。

到了第三步，情感挖掘就升级到意见挖掘（Opinion Mining）了。

这一步需要从评论中找出产品的属性。拿手机来说，屏幕、电池、售后等都是它的属性。到这一步就要看评论是如何评价这些属性的。比如说“屏幕不错”，这就是积极的。“电池一天都不够就用完了，坑爹啊”，这就是消极的，而且强度很大。

这就需要在情感分析的基础上，先挖掘出产品的属性，再分析对应属性的情感。

分析完每一条评论的所有属性的情感后，就可以汇总起来，形成消费者对一款产品各个部分的评价。

接下来还可以对比不同产品的评价，并且可视化出来。如图。

这一步的主要在于准确挖掘产品属性（一般用关联规则），并准确分析对应的情感倾向和情感强度。因此这需要情感分析作为基础。首先要找到评论里面的主观句子，再找主观句子里的产品属性，再计算属性对应的情感分。所以前面基础不牢固，后面要准确分析就有难度。

中文这个领域的研究其实很完善了，技术也很成熟。但需要完善前期情感分析的准确度。

总的来说，就是中文词典资源不好，工作做得不是很细很准。前期的一些基础不牢固，后面要得到准确的分析效果就不容易了。

没有详细的办法，这种人就是吃了锅里的看着碗里的，何况跟你你的描述，他还花你的钱。这是典型的占便宜的表现，奉劝你早点离开他，现在不放下以后麻烦会越来越多，而且受伤的只会是你自己。

他对你隐瞒有家的事实，还花着你的钱，不是在家里“气管炎”，就是经济受约束，想寻求刺激。想要男人离开自己的前妻和你在一起，很难，哪怕他的前妻什么都不是，再不好，他潜意识里还是不愿放弃那个可以无言服侍他的人。说白了，男人都是图眼前的刺激和新鲜。再说一句你不太爱听的话，别介意，你现在和他在一起所给他的爱和包容还有理解，欣赏等等，若干年前他妻子也一样给过他。

放开吧，也放开自己，没什么大不了的，一个男人、一段不恰当的感情而已。何必为了这一个人，让自己背负不好的名声，还什么都得不到呢。即使你丧偶，也不要觉得低人一等，一样有很多丧偶的好人在寻觅他们的另一半，加油去寻找你自己真正的幸福吧，别被眼前的假象迷惑了。

祝你幸福！！

首先从专业的角度来分析，人的情感是有情感周期的，你不能奢望这个男人完全把A忘记，但是也不必太在意他会对A有那种深深的依恋。他会爱上别人。人的情感方面是没有特定性的，在不同时期，一个人对自己渴望交到的女朋友是有不同期待的，没有特定是某种类型，只要不是她很讨厌的类型的，都有可能成为他喜欢的类型。

如果按你的问题来分析，如果是后者，那也是很正常的。给你举个不是非常恰当的例子，但是也可以说明一下，假如你喜欢吃番茄，如果天天让你吃，一天三顿的吃，连续吃半年，请问你还会依然那么喜欢吃吗？你会喜欢番茄，但同时你也会喜欢其他一些食物和水果。

如果等这个男人爱上后面的这个女人以后，男人心里肯定是现任的女朋友比重大，因为他每天面对的和接触的都是现任女朋友。而前任女朋友只是作为一个过去式，埋在心里某个位置。

1、数据预处理：将原始文本数据进行清洗、分词、去除停用词等预处理操作，得到文本的词袋表示。

2、特征提取：对于每个属性，从词袋中提取出与该属性相关的特征词，例如“价格”、“质量”等。

3、聚类或主题建模：使用聚类或主题建模方法对文本进行无监督学习，将文本按照不同的主题或簇进行分组，从而实现属性级分类，对于聚类方法，可以使用K-means、DBSCAN等算法。对于主题模型，可以使用LDA等算法。

4、情感分析：对于每个属性，计算该属性下文本的情感得分，可以使用情感词典或者情感分类器等方法进行情感分析。

题主你怎么这么墨迹啊，女孩在等你表白，你还矜持上了。只要是你喜欢的类型，任何时间都是最佳表白时间。如果不喜欢你干嘛陪你做那么多事情呢？抓紧时间表白，勇敢一点，加油题主，祝你表白成功，抱的美人归。

这句话应该不是说你feature太多了，而是说for循环中，使用了两个变量去unpack featuresets太多了。所以应该是你的数据结构有问题，featuresets可能不是适合两个变量来解包的数据结构，或者中文编码有问题。