用 WordNet 实现中文情感分析

#自然语言处理

1. 分析

中文的情感分析可以用词林做，词林有一大类（Ｇ类）对应心理活动，但是相对于 wordnet 还是太简单了．因此使用 nltk+wordnet 的方案，如下：

  1. 中文分词：结巴分词

  2. 中英文翻译：wordnet 汉语开放词网，可从以下网址下载：

http://compling.hss.ntu.edu.sg/cow/

  1. 情感分析：wordnet 的 sentiwordnet 组件

  2. 停用词：参考以下网页，另外加入常用标点符号
    [http://blog.csdn.net/u010533386/article/details/51458591

](http://blog.csdn.net/u010533386/article/details/51458591)

2. 代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
# encoding=utf-8
import jieba
import sys
import codecs

reload(sys)

import nltk
from nltk.corpus import wordnet as wn
from nltk.corpus import sentiwordnet as swn

sys.setdefaultencoding('utf8')

def doSeg(filename) :
	f = open(filename, 'r+')
	file_list = f.read()
	f.close()

	seg_list = jieba.cut(file_list)

	stopwords = []  
	for word in open("./stop_words.txt", "r"):  
		stopwords.append(word.strip()) 

	ll = []
	for seg in seg_list :
		if (seg.encode("utf-8") not in stopwords and seg != ' ' and seg != '' and seg != "\n" and seg != "\n\n"):
			ll.append(seg)
	return ll

def loadWordNet():
	f = codecs.open("./cow-not-full.txt", "rb", "utf-8")
	known = set()
	for l in f:
		if l.startswith('#') or not l.strip():
			continue
		row = l.strip().split("\t")
		if len(row) == 3:
			(synset, lemma, status) = row 
		elif len(row) == 2:
			(synset, lemma) = row 
			status = 'Y'
		else:
			print "illformed line: ", l.strip()
		if status in ['Y', 'O' ]:
			if not (synset.strip(), lemma.strip()) in known:
				known.add((synset.strip(), lemma.strip()))
	return known

def findWordNet(known, key):
	ll = [];
	for kk in known:
		if (kk[1] == key):
			 ll.append(kk[0])
	return ll

def id2ss(ID):
	return wn._synset_from_pos_and_offset(str(ID[-1:]), int(ID[:8]))

def getSenti(word):
	return swn.senti_synset(word.name())

if __name__ == '__main__' :
	known = loadWordNet()
	words = doSeg(sys.argv[1])

	n = 0
	p = 0
	for word in words:
	  ll = findWordNet(known, word)
	  if (len(ll) != 0):
		  n1 = 0.0
		  p1 = 0.0
		  for wid in ll:
			  desc = id2ss(wid)
			  swninfo = getSenti(desc)
			  p1 = p1 + swninfo.pos_score()
			  n1 = n1 + swninfo.neg_score()
		  if (p1 != 0.0 or n1 != 0.0):
			  print word, '-> n ', (n1 / len(ll)), ", p ", (p1 / len(ll))
		  p = p + p1 / len(ll)
		  n = n + n1 / len(ll)
	print "n", n, ", p", p

3. 待解决的问题

  1. 结巴分词与 wordnet chinese 中的词不能一一对应
    结巴分词虽然可以导入自定义的词典，但仍有些结巴分出的词，在 wordnet 找不到对应词义，比如＂太后＂，＂童子＂，还有一些组合词如＂很早已前＂，＂黄山＂等等．大多是名词，需要进一步＂学习＂．

临时的解决方案是：将其当作＂专有名词＂处理

  1. 一词多义／一义多词
    无论是情感分析，还是语义分析，中文或者英文，都需要解决词和义的对应问题.
    临时的解决方案是：找到该词的所有语义，取其平均的情感值．另外，结巴也可判断出词性作为进一步参考．

  2. 语义问题
    语义问题是最根本的问题，一方面需要分析句子的结构，另外也和内容也有关，尤其是长文章，经常会使用＂先抑后扬＂＂对比分析＂，这样就比较难以判断感情色彩了．

4. 参考

  1. Learning lexical scales:WordNet and SentiWordNet
    [http://compprag.christopherpotts.net/wordnet.html

](http://compprag.christopherpotts.net/wordnet.html)

  1. SentiWordNet Interface
    [http://www.nltk.org/howto/sentiwordnet.html

](http://www.nltk.org/howto/sentiwordnet.html)