nlp-sentiment/README.md

• 请注意：
• • 本程序依赖data目录下面的data.zip和dictionary.zip先解压缩 data 目录下面的 data.zip到当前目录。
  • 设计思想
  • 新增说明3：增加基于 TF-IDF(词向量) 特征的文本分类程序。
  • 新增说明2：增加基于 N-Gram(词向量) 特征的文本分类程序，目的是找出自己领域相关的文本，然后再从这个领域相关的文本中判断正负面。
  • 新增说明1：2015-04-10测试了不用中文分词器，分词之后 LingPipe 情感分类的准确率，同时测试了去除停用词之后的情感分类的准确率。

##基于自然语言处理的情感分析工具

请注意：

1. pom.xml 文件中 lingpipe-core jar 没办法从中央仓库下载已经集成到 libs 目录里面，而 pom.xml 中只能使用绝对路径，请注意修改
2. pom.xml 文件中 hanlp jar 包可能需要手动下载，然后添加到 maven 仓库

本程序依赖data目录下面的data.zip和dictionary.zip先解压缩 data 目录下面的 data.zip到当前目录。

设计思想

专注某一个领域，比如军事、经济、政府等，利用互联网上的数据。

首先训练一个专业领域与非专业其它领域的二分类器。
然后在对新的样本判断是否是该领域的
训练一个情感分类器，判断这个样本是该领域的正面信息还是负面信息。

新增说明3：增加基于 TF-IDF(词向量) 特征的文本分类程序。

1. 主程序：DfIdfClassifier.java
2. 效果如下：

• CATEGORY nment others
• government 233 46
• others 110 390
• 准确度: 0.8
• 总共正确数 : 623
• 总数：779

新增说明2：增加基于 N-Gram(词向量) 特征的文本分类程序，目的是找出自己领域相关的文本，然后再从这个领域相关的文本中判断正负面。

1. 测试语料：data/text_classification.zip 解压缩即可
2. 运行程序：NGramClassifier.java 即可。
3. 效果如下：

• Total Accuracy=0.9550706033376123
• 95% Confidence Interval=0.9550706033376123 +/- 0.014546897368198444
• Confusion Matrix
• reference \ response

•   		 government,others
  

• government 271, 8
• others 27, 473

新增说明1：2015-04-10测试了不用中文分词器，分词之后 LingPipe 情感分类的准确率，同时测试了去除停用词之后的情感分类的准确率。

1. 发现用HanLP的NLPTokenizer分词器，准确率最高，但是速度有点慢。
2. 如果用HanLP的标准分词器就会准确率低一点点，但是速度快。
3. 分词之后去除停用词效果更加差。
4. 结巴分词效果不好，而且速度慢。

###1、基于词典和贝叶斯模型的情感分析
主程序：eshore.cn.it.sentiment.Sentiment 此类通过
data/Sentiment_Dictionary中的正负面词语建立模型。

测试： eshore.cn.it.sentiment.SentimentTest
通过这个类就可以测试 data/500trainblogxml中的某个文件夹下面的博客的情感。

###2、直接利用lingpipe的情感分析模块测试情感分析
直接运行程序： eshore.cn.it.sentiment.ChinesePolarityBasic
程序就会通过： data/polarity_corpus/hotel_reviews/train2训练
然后自动测试: data/polarity_corpus/hotel_reviews/test2
最后给出程序测试结果。

  # Test Cases=4000
  # Correct=3541
  % Correct=0.88525