R语言中的情感分析与机器学习

利用机器学习能够很方便的作情感分析。本篇文章将介绍在R语言中如何利用机器学习方法来作情感分析。在R语言中，由Timothy P.Jurka开发的情感分析以及更通常的文本挖掘包已经获得了很好的发展。你能够查看下sentiment包以及梦幻般的RTextTools包。实际上，Timothy还写了一个针对低内存下多元Logistic回归（也称最大熵）的R包maxtent。

然而，RTextTools包中不包含朴素贝叶斯方法。e1071包能够很好的执行朴素贝叶斯方法。e1071是TU Wien(维也纳科技大学)统计系的一门课程。这个包的主要开发者是David Meyer。

咱们仍然有必要了解文本分析方面的知识。用R语言来处理文本分析已是公认的事实（详见R语言中的天然语言处理）。tm包算是其中成功的一部分：它是R语言在文本挖掘应用中的一个框架。它在文本清洗（词干提取，删除停用词等）以及将文本转换为词条-文档矩阵(dtm)方面作得很好。这里是对它的一个介绍。文本分析最重要的部分就是获得每一个文档的特征向量，其中词语特征最重要的。固然，你也能够将单个词语特征扩展为双词组，三连词，n-连词等。在本篇文章，咱们以单个词语特征为例作演示。

注意，在R中用ngram包来处理n-连词。在过去，Rweka包提供了函数来处理它，感兴趣的能够查看这个案例。如今，你能够设置RTextTools包中create_matrix函数的参数ngramLength来实现它。

第一步是读取数据：

library(RTextTools)
library(e1071)

pos_tweets =  rbind(
  c('I love this car', 'positive'),
  c('This view is amazing', 'positive'),
  c('I feel great this morning', 'positive'),
  c('I am so excited about the concert', 'positive'),
  c('He is my best friend', 'positive')
)

neg_tweets = rbind(
  c('I do not like this car', 'negative'),
  c('This view is horrible', 'negative'),
  c('I feel tired this morning', 'negative'),
  c('I am not looking forward to the concert', 'negative'),
  c('He is my enemy', 'negative')
)

test_tweets = rbind(
  c('feel happy this morning', 'positive'),
  c('larry friend', 'positive'),
  c('not like that man', 'negative'),
  c('house not great', 'negative'),
  c('your song annoying', 'negative')
)

tweets = rbind(pos_tweets, neg_tweets, test_tweets)

建立词条-文档矩阵：

# build dtm
matrix= create_matrix(tweets[,1], language="english", 
                      removeStopwords=FALSE, removeNumbers=TRUE, 
                      stemWords=FALSE)

如今，咱们能够用这个数据集来训练朴素贝叶斯模型。注意，e1071要求响应变量是数值型或因子型的。咱们用下面的方法将字符串型数据转换成因子型：

# train the model
mat = as.matrix(matrix)
classifier = naiveBayes(mat[1:10,], as.factor(tweets[1:10,2]) )

测试结果准确度：

# test the validity
predicted = predict(classifier, mat[11:15,]); predicted
table(tweets[11:15, 2], predicted)
recall_accuracy(tweets[11:15, 2], predicted)

显然，这个结果跟python获得的结果是相同的（这篇文章是用python获得的结果）。

其它机器学习方法怎样呢？

下面咱们使用RTextTools包来处理它。

首先，指定相应的数据：

# build the data to specify response variable, training set, testing set.
container = create_container(matrix, as.numeric(as.factor(tweets[,2])),
                             trainSize=1:10, testSize=11:15,virgin=FALSE)

其次，用多种机器学习算法训练模型：

models = train_models(container, algorithms=c("MAXENT" , "SVM", "RF", "BAGGING", "TREE"))

如今，咱们可使用训练过的模型作测试集分类:

results = classify_models(container, models)

准确性如何呢？

# accuracy table
table(as.numeric(as.factor(tweets[11:15, 2])), results[,"FORESTS_LABEL"])
table(as.numeric(as.factor(tweets[11:15, 2])), results[,"MAXENTROPY_LABEL"])

# recall accuracy
recall_accuracy(as.numeric(as.factor(tweets[11:15, 2])), results[,"FORESTS_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15, 2])), results[,"MAXENTROPY_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15, 2])), results[,"TREE_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15, 2])), results[,"BAGGING_LABEL"])
recall_accuracy(as.numeric(as.factor(tweets[11:15, 2])), results[,"SVM_LABEL"])

获得模型的结果摘要（特别是结果的有效性）：

# model summary
analytics = create_analytics(container, results)
summary(analytics)
head(analytics@document_summary)
analytics@ensemble_summar

结果的交叉验证：

N=4
set.seed(2014)
cross_validate(container,N,"MAXENT")
cross_validate(container,N,"TREE")
cross_validate(container,N,"SVM")
cross_validate(container,N,"RF")

结果可在个人Rpub页面找到。能够看到，maxent的准确性跟朴素贝叶斯是同样的，其它方法的结果准确性更差。这是能够理解的，由于咱们给的是一个很是小的数据集。扩大训练集后，利用更复杂的方法咱们对推文作的情感分析能够获得一个更好的结果。示例演示以下：

推文情感分析

数据来自victornep。victorneo展现的是用python对推文作情感分析。这里，咱们用R来处理它：

读取数据：

###################
"load data"
###################
setwd("D:/Twitter-Sentimental-Analysis-master/")
happy = readLines("./happy.txt")
sad = readLines("./sad.txt")
happy_test = readLines("./happy_test.txt")
sad_test = readLines("./sad_test.txt")

tweet = c(happy, sad)
tweet_test= c(happy_test, sad_test)
tweet_all = c(tweet, tweet_test)
sentiment = c(rep("happy", length(happy) ), 
              rep("sad", length(sad)))
sentiment_test = c(rep("happy", length(happy_test) ), 
                   rep("sad", length(sad_test)))
sentiment_all = as.factor(c(sentiment, sentiment_test))

library(RTextTools)

首先，尝试下朴素贝叶斯

# naive bayes
mat= create_matrix(tweet_all, language="english", 
                   removeStopwords=FALSE, removeNumbers=TRUE, 
                   stemWords=FALSE, tm::weightTfIdf)

mat = as.matrix(mat)

classifier = naiveBayes(mat[1:160,], as.factor(sentiment_all[1:160]))
predicted = predict(classifier, mat[161:180,]); predicted

table(sentiment_test, predicted)
recall_accuracy(sentiment_test, predicted)

而后，尝试其余方法：

# the other methods
mat= create_matrix(tweet_all, language="english", 
                   removeStopwords=FALSE, removeNumbers=TRUE, 
                   stemWords=FALSE, tm::weightTfIdf)

container = create_container(mat, as.numeric(sentiment_all),
                             trainSize=1:160, testSize=161:180,virgin=FALSE) #能够设置removeSparseTerms

models = train_models(container, algorithms=c("MAXENT",
                                              "SVM",
                                              #"GLMNET", "BOOSTING", 
                                              "SLDA","BAGGING", 
                                              "RF", # "NNET", 
                                              "TREE" 
))

# test the model
results = classify_models(container, models)
table(as.numeric(as.numeric(sentiment_all[161:180])), results[,"FORESTS_LABEL"])
recall_accuracy(as.numeric(as.numeric(sentiment_all[161:180])), results[,"FORESTS_LABEL"])

这里，咱们也但愿获得正式的测试结果。包括：

1. analytics@algorithm_summary:包括精确度，召回率，准确率，F-scores的摘要

2. analytics@label_summary:类标签摘要

3. analytics@document_summary:全部数据和得分的原摘要

4. analytics@ensemble_summary:全部 精确度/覆盖度 比值的摘要

如今让咱们看看结果：

# formal tests
analytics = create_analytics(container, results)
summary(analytics)

head(analytics@algorithm_summary)
head(analytics@label_summary)
head(analytics@document_summary)
analytics@ensemble_summary # Ensemble Agreement

# Cross Validation
N=3
cross_SVM = cross_validate(container,N,"SVM")
cross_GLMNET = cross_validate(container,N,"GLMNET")
cross_MAXENT = cross_validate(container,N,"MAXENT")

与朴素贝叶斯方法相比，其它算法的结果更好，召回精度高于0.95。结果可在Rpub查看

注：对上述获得的四个测试结果所表明的意义能够参考这篇文章R之文本分类

本文由雪晴数据网负责翻译整理，原文请参考Sentiment analysis with machine learning in R做者Chen-Jun Wang。转载请注明原文连接http://www.xueqing.cc/cms/article/107