C#编程实现朴素贝叶斯算法下的情感分析

时间:2022-08-16 05:38:18

C#编程实现

这篇文章做了什么

  朴素贝叶斯算法是机器学习中非常重要的分类算法,用途十分广泛,如垃圾邮件处理等。而情感分析(Sentiment Analysis)是自然语言处理(Natural Language Progressing)中的重要问题,用以对文本进行正负面的判断,以及情感度评分和意见挖掘。本文借助朴素贝叶斯算法,针对文本正负面进行判别,并且利用C#进行编程实现。

不先介绍点基础?

朴素贝叶斯,真的很朴素

  朴素贝叶斯分类算法,是一种有监督学习算法,通过对训练集的学习,基于先验概率与贝叶斯公式,计算出特定条件下样本属于某一类别的概率(条件概率),从而达到分类的目的。为什么说朴素贝叶斯朴素,其实这儿的朴素是英文翻译过来的,朴素贝叶斯叫Naive Bayesian Classification,这里的"Naive"被译为了朴素,其实翻译为天真更贴切一点,因为它假设了所有的样本都是独立的,这确实"Too Naive"。因此我们就有了半朴素贝叶斯和贝叶斯网络,这些将在后面为大家呈现。

情感分析是啥

  自然语言处理(NLP)是人工智能之中非常重要的学科,与机器学习交叉甚广。而情感分析优势NLP中最为重要的内容之一,目前主要分为两大流派,一派是语言学派(推荐《自然语言处理综论》),他们从语法、句子结构、词性等角度出发,通过解析一个句子的结构来分析情感正负面或是中性;另一派是统计学派(推荐《统计自然语言处理》),通过高质量的语料库与训练集,借助统计理论与算法,完成句子的情感分析。

朴素贝叶斯如何实现情感分析

1.前期准备:

  • 做好正负面标记的文本作为训练集

  • 正负面词库

2.针对文本实现:

  • 分词,推荐使用Jieba分词引擎,无论是python, C#, 还是R语言上都有非常优秀的第三方库,而且可以导入词库

  • 获取正负面词,此时需要用到正负面词库,即通过正负面词库的匹配,筛选出文本中能够反映情感的词。

  • 进入训练集中匹配,获取每个正面或者负面的词在两个训练集的词频,如“好吃”这个词在正面训练集里出现频率为0.1%,而在负面训练集里频率为0.001%。

  • 通过贝叶斯公式计算出在文本出现“好吃”这个词的条件下位正面或者为负面的概率,例如:

  p(正面|"好吃")=p(正面)p("好吃"|正面)p(正面)p("好吃"|正面)+p(负面)p("好吃"|负面)p(正面|"好吃")=p(正面)p("好吃"|正面)p(正面)p("好吃"|正面)+p(负面)p("好吃"|负面)

  得到的概率即是在好吃这个词出现的条件下,该句子为正面的概率。

  • 然而一句话可能有多个表示情感的词,比如"不好看"、"开心",我们最终要求得在这些词出现的条件下该文本为正面的条件概率:p(正面|"好吃","不好看","开心")$,具体计算过程见如下推导,令上述三个词分别为a,b,c,正面为pos,负面为neg,具体计算过程见如下推导,令上述三个词分别为a,b,c,正面为pos,负面为neg:
p(pos|a,b,c)==p(pos)p(a,b,c|pos)p(pos)p(a,b,c|pos)+p(neg)p(a,b,c|neg)p(pos)p(a|pos)p(b|pos)p(c|pos)p(pos)p(a|pos)p(b|pos)p(c|pos)+p(neg)p(a|neg)p(b|neg)p(c|neg)(1)(2)(1)p(pos|a,b,c)=p(pos)p(a,b,c|pos)p(pos)p(a,b,c|pos)+p(neg)p(a,b,c|neg)(2)=p(pos)p(a|pos)p(b|pos)p(c|pos)p(pos)p(a|pos)p(b|pos)p(c|pos)+p(neg)p(a|neg)p(b|neg)p(c|neg)

  假设一句话为正面或是负面的先验概率均为0.5,则p(pos)=p(neg)=0.5p(pos)=p(neg)=0.5,那么(2)式等于:

=p(a|pos)p(b|pos)p(c|pos)p(a|pos)p(b|pos)p(c|pos)+p(a|neg)p(b|neg)p(c|neg)(3)(3)=p(a|pos)p(b|pos)p(c|pos)p(a|pos)p(b|pos)p(c|pos)+p(a|neg)p(b|neg)p(c|neg)
  • 拉普拉斯平滑:为了避免某个词在训练集中出现概率为0导致结果有偏,拉普拉斯平滑法讲所有词出现次数加一,在样本量很大时,每个分量加一几乎不会对最终估计结果造成太大影响,但这样的好处是很好的解决了词频为0导致的有偏问题。

  • 其他变式

    贝叶斯推断及其互联网应用(二):过滤垃圾邮件这篇文章中做了如下变形,将结果以单个词下正面或是负面的条件概率表示,但是文章并未提及拉普拉斯校准,而是用拍脑袋想出来的1%作为校准概率。由于:

p(a|pos)====p(a|pos)p(a)p(a)p(a|pos)p(a)p(a|pos)p(pos)+p(a|neg)p(neg) (全概率公式)p(a|pos)p(pos)p(a|pos)p(pos)+p(a|neg)p(neg)p(a)/p(pos)p(pos|a)p(a)p(pos)(4)(5)(6)(7)(4)p(a|pos)=p(a|pos)p(a)p(a)(5)=p(a|pos)p(a)p(a|pos)p(pos)+p(a|neg)p(neg) (全概率公式)(6)=p(a|pos)p(pos)p(a|pos)p(pos)+p(a|neg)p(neg)p(a)/p(pos)(7)=p(pos|a)p(a)p(pos)

  所以有(3)式等于:

(3)式===p(pos|a)p(pos|b)p(pos|c)p(a)p(b)p(c)p(pos)3p(pos|a)p(pos|b)p(pos|c)p(a)p(b)p(c)p(pos)3+p(neg|a)p(neg|b)p(neg|c)p(a)p(b)p(c)p(neg)3p(pos|a)p(pos|b)p(pos|c)p(pos|a)p(pos|b)p(pos|c)+p(neg|a)p(neg|b)p(neg|c)p(pos|a)p(pos|b)p(pos|c)p(pos|a)p(pos|b)p(pos|c)+(1−p(pos|a))(1−p(pos|b))(1−p(pos|c))(8)(9)(10)(8)(3)式=p(pos|a)p(pos|b)p(pos|c)p(a)p(b)p(c)p(pos)3p(pos|a)p(pos|b)p(pos|c)p(a)p(b)p(c)p(pos)3+p(neg|a)p(neg|b)p(neg|c)p(a)p(b)p(c)p(neg)3(9)=p(pos|a)p(pos|b)p(pos|c)p(pos|a)p(pos|b)p(pos|c)+p(neg|a)p(neg|b)p(neg|c)(10)=p(pos|a)p(pos|b)p(pos|c)p(pos|a)p(pos|b)p(pos|c)+(1−p(pos|a))(1−p(pos|b))(1−p(pos|c))

  以上公式均为自己推导,作者原文中并未详细写出,如涉及侵权问题请通知我删除此部分。如有问题也欢迎大家指出,谢谢~。

3.聊一聊其他的

  python号称最强大的中文自然语言处理库SnowNLP,其中的情感分析事实上非常粗糙,首先它并没有一个正负面的词库,而是把一个句子分出的所有词都参与计算,包括各种各样的无意义词、符号等等,而事实上这些词并不能反映任何情感。作者可能先验的认为正负面训练集中这些无情感词频率可以认为是近似的,但事实并非如此,所以这些词将导致计算结果有偏。

缺点:

  • 朴素贝叶斯假设每个词是独立的,但是事实并非如此,尤其是针对长篇文章,或者是出现多个复杂语气词情况,独立性假设失效。
  • 无法处理句子中比较的情况,无法落在句子中某一个产品或者属性上,难以做意见挖掘。
  • 依赖于高质量的语料库

优点:

  • 无需对句子成分进行分解,无需分析语法语义
  • 针对无法判断正负面的词时有效(“呵呵”,“卧槽”等)
  • 正负面词混杂时,依旧可以根据训练集做出较为准确的判断

说了这么多,我该如何实现呢?

在此小弟附上c#代码,如果觉得不清晰,您可以移步至我的GitHub

//首先需要加载Jieba.Net,可以通过NuGet自行安装,然后using
//建立jieba类,用以处理训练集和文本
class Jieba
{
public string doc{get;set;}
public string PosWords {get;set;}
public string NegWords {get;set;}
public string stopwords {get;set;}
public List<string> JiebaCut()
{
JiebaSegmenter jiebaseg = new JiebaSegmenter();
var segment = jiebaseg.Cut(doc);
List<string> cutresult = new List<string>();
foreach (var i in segment)
{
if (!stopwords.Contains(i))
cutresult.Add(i);
}
return cutresult;
}
public List<string> handle_sentiment(bool pos = true)
{
var words = JiebaCut();
string PosOrNegWords = pos ? PosWords:NegWords;
List<string> handle_result = new List<string>();
foreach (var word in words)
{
if (PosOrNegWords.Contains(word))
handle_result.Add(word);
}
return handle_result;
}
public List<string> handle_words()
{
var words = JiebaCut();
List<string> handle_result = new List<string>();
foreach (var word in words)
{
if ((PosWords + NegWords).Contains(word))
handle_result.Add(word);
}
return handle_result;
}
}

  然后,我们需要定义一个处理概率的类,以及派生类

    class BaseProb
{
public Dictionary<string, double> d = new Dictionary<string, double>();
public double total = 0.0;
public int none = 0;
public bool exists(string key) { return d.Keys.Contains(key); }
public double getsum() { return total; }
public void get(string key, out bool para1, out double para2)
{
if (!exists(key))
{
para1 = false; para2 = none;
}
else
{
para1 = true;para2 = d[key];
}
}
public double freq(string key)
{
bool para1;
double para2;
get(key, out para1, out para2);
return para2 / total;
}
//def samples(self):
// return self.d.keys()
}
class AddOneProb : BaseProb
{
//public Dictionary<string, double> d = new Dictionary<string, double>();
//public double total = 0.0;
//public int none = 1;
public void add(string key, int value)
{
total += value;
if (!exists(key))
{
d.Add(key, 1);
total += 1;
}
d[key] += value;
} public void DPrint()
{
Console.WriteLine(d.Count);
Console.ReadKey();
foreach (var key in d.Keys)
{
Console.WriteLine(key+" : "+d[key].ToString());
}
}
}

  接下来需要将原始训练集序列化为Json格式,方便以后调用,我使用的是LitJson,转为["pos":{"我是一个词":10},"neg":{"我也是一个词":20}]的形式,以后直接读取词频而非整个句子再进行分词与统计。我们通过以下代码读取序列化后的数据:

        public static Dictionary<string, AddOneProb> Load(string filepath, out double total)
{
string json;
using (var sr = new StreamReader(filepath, Encoding.Default))
json = sr.ReadToEnd(); JsonData jd = JsonMapper.ToObject(json);
Dictionary<string, AddOneProb> d = new Dictionary<string, AddOneProb>() { { "neg", new AddOneProb() }, { "pos", new AddOneProb() } }; foreach (var i in jd["d"]["neg"]["d"])
{
var arr = i.ToString().Replace("[","").Replace("]","").Split(',');
int count = 0;
if (int.TryParse(arr[1],out count ))
d["neg"].add(arr[0], count);
}
foreach (var i in jd["d"]["pos"]["d"])
{
var arr = i.ToString().Replace("[", "").Replace("]", "").Split(',');
int count = 0;
if (int.TryParse(arr[1], out count))
d["pos"].add(arr[0], count);
}
total = Convert.ToDouble (jd["total"].ToString());
return d;
}

  当然如果你不想进行序列化,也行,可以通过以下代码训练样本

        public static void Train_data(string negFilePath, string negWords, string posFilePath, string posWords,
ref Dictionary<string, AddOneProb> d, ref double total, string stopwordFilepath)
{
//d = new Dictionary<string, AddOneProb>() { { "pos", new AddOneProb() }, { "neg", new AddOneProb() } };
string negfile = "", posfile = "";
using (var sr1 = new StreamReader(negFilePath, Encoding.Default))
negfile = sr1.ReadToEnd();
using (var sr2 = new StreamReader(posFilePath, Encoding.Default))
posfile = sr2.ReadToEnd();
string stopwords = ReadTxtToEnd(stopwordFilepath);
List<Tuple<List<string>, string>> data = new List<Tuple<List<string>, string>>();
var sent_cut = new Jieba();
sent_cut.NegWords = negWords;
sent_cut.PosWords = posWords;
foreach (var sent in posfile.Replace("\r", "").Split('\n'))
{
sent_cut.doc = sent;
sent_cut.stopwords = stopwords;
data.Add(new Tuple<List<string>, string>(sent_cut.handle_sentiment(), "pos"));
}
Console.WriteLine("正面词库导入完毕");
foreach (var sent in negfile.Replace("\r", "").Split('\n'))
{
sent_cut.doc = sent;
sent_cut.stopwords = stopwords;
data.Add(new Tuple<List<string>, string>(sent_cut.handle_sentiment(false), "neg"));
}
Console.WriteLine("负面词库导入完毕"); foreach (var d_ in data)
{
var c = d_.Item2.ToString();
if (d_.Item1 == null)
continue;
else
{
foreach (var word in d_.Item1)
d[c].add(word, 1);
}
}
total = 0;
foreach (var value in d.Values)
{
total += value.total;
}
}

  接下来就可以写分类函数了,是这样的:

protected static Tuple<string, double> Classify(List<string> x,
Dictionary<string, AddOneProb> d, double total)
{
Dictionary<string, double> temp = new Dictionary<string, double>();
foreach (var k in d.Keys)
{
temp.Add(k, Math.Log(0.5));
foreach (var word in x)
{
Console.WriteLine(k+" : "+word + " : " + d[k].freq(word));
temp[k] += Math.Log(d[k].freq(word));
}
Console.ReadKey();
}
string ret = "";
double prob = 0;
double now;
foreach (var k in d.Keys)
{
now = 0;
foreach (var otherk in d.Keys)
{
try
{
now += Math.Exp(temp[otherk] - temp[k]);
}
catch (Exception)
{
now = 10000;
}
}
now = 1 / now;
if (now > prob)
{
ret = k;
prob = now;
}
}
return new Tuple<string, double>(ret, prob);
}
public static double classify_(string sent, Dictionary<string, AddOneProb> d,
double total, string stopwordFilepath)
{
Jieba jiebaword = new Jieba();
jiebaword.doc = sent;
jiebaword.stopwords = ReadTxtToEnd(stopwordFilepath);
var retprob = Classify(jiebaword.JiebaCut(), d, total);
if (retprob.Item1 == "pos")
return retprob.Item2;
else
return 1 - retprob.Item2;
}

  如何使用:

        static void Main(string[] args)
{
double total = 0;
var d = Train.Load(SentimentFilepath + "sentiment_json.txt",out total);
var poswords = Train.ReadTxtToEnd(SentimentFilepath + "pos.csv");
var negwords = Train.ReadTxtToEnd(SentimentFilepath + "neg.csv");
Train.Train_data(SentimentFilepath + "neg_train.csv", negwords, SentimentFilepath + "pos_train.csv", poswords,ref d, ref total, SentimentFilepath + "stopwords.csv");
string testsentence = "很忽悠,不好";
var sent = Train.classify_(testsentence, d, total, SentimentFilepath + "stopwords.csv");
Console.WriteLine(sent);
Console.ReadKey();
}