互联网网站建设哪里好,网站活跃度怎么做,微网站建设招聘,王战山摄影#xff1a;Fauzan Saari on Unsplash
一、说明 这是我们对世界杯推特数据分析的第3部分#xff0c;我们放弃了。我们将对我们的数据进行情绪分析#xff0c;以了解人们对卡塔尔世界杯的感受。我将在这里介绍的一个功能强大的工具包是Hugging Face#xff0c;您可以在… 摄影Fauzan Saari on Unsplash
一、说明 这是我们对世界杯推特数据分析的第3部分我们放弃了。我们将对我们的数据进行情绪分析以了解人们对卡塔尔世界杯的感受。我将在这里介绍的一个功能强大的工具包是Hugging Face您可以在其中找到各种模型任务数据集它还为刚开始学习机器学习的人提供课程。在这篇文章中我们将使用一个情绪分析模型和拥抱面孔令牌来完成我们的任务。
二、情绪分析 情感分析是使用自然语言处理NLP来识别提取和研究情感状态和主观信息。我们可以将这种技术应用于客户评论和调查响应以对我对产品或服务的意见。 让我们看几个例子
我喜欢今天的天气标记 正面天气预报说明天会多云。标签 中性雨不会停。野餐计划被推迟了。无赖。。。标签 负面 上面的例子清楚地显示了推文的极性因为文本的结构很简单。以下是一些难以轻易发现情绪的挑战性案例。
我不喜欢下雨天。否定我喜欢在刮风的时候跑步但不会推荐给我的朋友。有条件的积极情绪难以分类一杯好咖啡真的需要时间因为它让我等了30分钟才喝一口。讽刺 现在我们已经介绍了什么是情绪分析以及如何应用这种技术让我们学习如何在我们的 Twitter 数据上实现这种方法。
遇见“推特-罗伯塔-基地-情绪-最新 用于情绪分析的 Twitter-roBERTa-base 是一个 RoBERTa-base 模型从 124 年 2018 月到 2021 年 月在 ~M 条推文上训练并使用 TweetEval 基准对情绪分析进行了微调。我不会深入探讨 RoBERTa-base 模型的细节但简单地说RoBERTa 从预训练过程中删除了下一句预测 NSP 任务并引入了动态掩码因此掩码标记在训练期间会发生变化。对于更详细的评论我建议阅读Suleiman Khan的文章和Chandan Durgia的文章。 要启动此模型我们可以使用由Hugging Face团队创建的推理API。推理 API 允许您对 NLP、音频和计算机视觉中的任务进行文本文本和评估 80 000 多个机器学习模型。查看此处以获取详细文档。它很容易使用推理API您只需这样做即可获得您的拥抱脸令牌它是免费的。首先您应该创建一个拥抱脸帐户并注册。然后单击您的个人资料并转到设置。
转到访问令牌然后单击新建令牌。创建新令牌时系统会要求您选择令牌的角色。 读取如果您只需要从拥抱人脸中心读取内容例如在下载私有模型或进行推理时请使用此角色。写入如果需要创建内容或将内容推送到存储库例如在训练模型或修改模型卡时请使用此令牌。 由作者创建 User access tokens
现在我们有了我们需要的一切让我们做一些分析
三、准备我们的数据 首先我们需要导入一些依赖项并加载数据。对我们拥有的 10 000 条推文运行情绪分析需要一些时间。出于演示目的我们将从池中随机抽取 300 条推文。
import pandas as pd
import pickle
import requests
import randomwith open(world_cup_tweets.pkl, rb) as f:data pickle.load(f)tweets data.Tweet_processed.to_list()
tweets random.sample(tweets, 300)
四、运行分析 然后我们将语言模型和我们的拥抱脸令牌分别传递给变量。
model cardiffnlp/twitter-roberta-base-sentiment-latest
hf_token YOUR OWN TOKEN 我们定义了一个采用单个参数的分析函数数据。此函数将我们的 Twitter 数据转换为 JSON 格式其中包含对传递给函数的输入数据的模型推理结果。
API_URL https://api-inference.huggingface.co/models/ model
headers {Authorization: Bearer %s % (hf_token)}def analysis(data):payload dict(inputsdata, optionsdict(wait_for_modelTrue))response requests.post(API_URL, headersheaders, jsonpayload)return response.json() 我们初始化一个空列表以存储每条推文的情绪分析结果。我们对列表中的每条推文使用循环。然后我们使用 try-except 块技术
对于可以分析的推文我们调用我们定义的函数分析将当前推文作为输入并从返回的列表中检索第一个结果。此结果应为字典列表每个词典都包含情绪标签和分数。我们使用内置的 max 函数在情绪结果中查找得分最高的字典。我们将一个新词典附加到tweets_analysis列表中其中包含推文及其相应的标签其中包含得分最高的情绪。对于无法分析的推文我们使用 except 块该块捕获 try 块中发生的任何异常并打印错误消息。情绪分析功能可能无法分析某些推文因此包含此块以处理这些情况。
tweets_analysis []
for tweet in tweets:try:sentiment_result analysis(tweet)[0]top_sentiment max(sentiment_result, keylambda x: x[score]) # Get the sentiment with the higher scoretweets_analysis.append({tweet: tweet, sentiment: top_sentiment[label]})except Exception as e:print(e) 然后我们可以将数据加载到数据框中并查看一些初步结果。
# Load the data in a dataframe
df pd.DataFrame(tweets_analysis)# Show a tweet for each sentiment
print(Positive tweet:)
print(df[df[sentiment] positive][tweet].iloc[0])
print(\nNeutral tweet:)
print(df[df[sentiment] neutral][tweet].iloc[0])
print(\nNegative tweet:)
print(df[df[sentiment] negative][tweet].iloc[0])
# Outputs: (edited by author to remove vulgarity)Positive tweet:
Messi, you finally get this World Cup trophy. Happy ending and you are officially called球王 Neutral tweet:
Nicholas the Dolphin picks 2022 World Cup Final winner Negative tweet:
Yall XXXX and this XXXX world cup omg who XXXX CARESSS
我们还应该使用 groupby 函数来查看样本中有多少推文是正数或负数。
sentiment_counts df.groupby([sentiment]).size()
print(sentiment_counts)# Outputs:
sentiment
negative 46
neutral 63
positive 166
dtype: int64
既然我们在这里为什么不使用饼图来可视化结果
import matplotlib.pyplot as plt
fig plt.figure(figsize(6,6), dpi100)
ax plt.subplot(111)
sentiment_counts.plot.pie(axax, autopct%1.1f%%, startangle270, fontsize12, label) 由作者创建
似乎大多数人对卡塔尔世界杯感到满意。伟大
人们在正面和负面推文中谈论什么我们可以使用词云来显示这些组中的关键字。
# pip install first if you have not installed wordcloud in your environment from wordcloud import WordCloud
from wordcloud import STOPWORDS# Wordcloud with positive tweets
positive_tweets df[df[sentiment] positive][tweet]
stop_words [https, co, RT] list(STOPWORDS)
positive_wordcloud WordCloud(max_font_size50, max_words50, background_colorwhite, stopwords stop_words).generate(str(positive_tweets))
plt.figure()
plt.title(Positive Tweets - Wordcloud)
plt.imshow(positive_wordcloud, interpolationbilinear)
plt.axis(off)
plt.show()# Wordcloud with negative tweets
negative_tweets df[df[sentiment] negative][tweet]
stop_words [https, co, RT] list(STOPWORDS)
negative_wordcloud WordCloud(max_font_size50, max_words50, background_colorwhite, stopwords stop_words).generate(str(negative_tweets))
plt.figure()
plt.title(Negative Tweets - Wordcloud)
plt.imshow(negative_wordcloud, interpolationbilinear)
plt.axis(off)
plt.show() 由作者创建 由作者创建并编辑 五、总结 现在我希望你已经学会了如何在拥抱脸中使用推理 API 对推文进行情感分析。这是一个功能强大的工具高度适用于各个领域。关注我以获取更多想法和技术。
