Extraction de caractéristiques pour l'analyse des sentiments

Question

Je travaille sur un projet de groupe pour mon cours de synthèse et nous avons été chargé de créer un outil d'analyse de sentiment avec la logique métier Python et (L / W) AMP tout le reste.

Nous avons de bons commentaires pour chaque partie de notre plan de projet, sauf pour l'extraction de caractéristiques. L'un de nos conseillers insiste sur le fait que nous devrions avoir ~ 15 sortes de caractéristiques différentes.

À l'heure actuelle, nous utilisons uniquement unigrammes et avez du mal à trouver d'autres qui sont pratiques à mettre en œuvre avec notre petit ensemble de données (~ 50 articles) et dans notre délai (~ 2 semaines pour mettre pleinement en œuvre).

Quelles sont les techniques d'extraction de caractéristiques qui sont utiles pour l'analyse des sentiments et le travail sur les petits ensembles de données? Ils devraient pouvoir être mises en œuvre rapidement ou existent déjà dans une bibliothèque Python.

Answer 1

Jetez un oeil à ces documents -

• sémantique similarité - 1
• sémantique similarité - 2

Ils sont arrivés avec une bonne solution. Jetez un coup d'oeil peut-être vous trouverez quelque chose de votre utilisation en elle. De plus essayer d'explorer ces trop

• vaderSentiment 0,5
  (VADER Sentiment Analysis. VADER (Valence Aware Dictionnaire et SENTIMENT Reasoner) est un lexique et un outil d'analyse de sentiment fondé sur des règles qui est particulièrement en harmonie avec les sentiments exprimés dans les médias sociaux, et fonctionne bien sur des textes d'autres domaines.)
• démo- Analyse avec Python sentiment
  (Ceci est une démonstration de l'analyse des sentiments en utilisant un processus de classification texte alimenté NLTK 2.0.4. Il peut vous dire si elle pense que le texte que vous entrez ci-dessous exprime sentiment positif, le sentiment négatif, ou si elle est neutre. En utilisant la classification hiérarchique, la neutralité est déterminée Tout d'abord, et la polarité de sentiment est déterminé seconde, mais seulement si le texte n'est pas neutre.)

Hope it helps! :)