使用文本挖掘技術分析Twitter用戶對電影的評價
引言
使用一些建模分析手段來評價電影的成功已經屢見不鮮，這類預測模型常常使用注入電影制作成本，類型，主演，出品方等結構化數據作為輸入。然而，在社交媒體日益發達的現在，人們時常會在Twitter，Facebook等網站上發表自己的意見和建議。社交媒體已然是衡量電影觀眾情緒的潛在工具了。
本文將以2017年的寶萊塢電影“Rangoon”為例子，用R語言來分析Twitter用戶對他的情感評價。
目錄
- 文本挖掘導論
- 分析目標
- 數據
- 分析過程1 使用“tm”包
- 分析過程2 使用“suazyhet”包
- 結論
- 為電影預測構建一個算法
1. 文本挖掘導論
在進入正題之前，我們不妨問這樣一個問題：什么是文本挖掘?
簡而言之，文本挖掘就是把非結構化的文本數據轉化為有意義的觀點的過程。轉化后的觀點可以針對用戶建議，產品評價，情感分析和消費者反饋等
與傳統方法依靠的結構化數據不同，文本挖掘的對象是結構松散有諸多語法和拼寫錯誤的文本，而且還時常包含多種語言。這使得整個挖掘過程變得更有趣且富有挑戰性。
在文本挖掘領域有兩大常用方法：情感分析和詞包挖掘(Bag of Words，a.k.a bow model)。
情感分析關心單詞的結構和語法，詞包挖掘則是把文本(句子，微博，文檔)視作單詞的集合(包)。
2. 分析目標
每個分析項目都應該有個明確的目標，本文的目標就是對Twitter數據使用文本挖掘技術來獲取用戶對電影“Rangoon”的情感評價。
3. 數據
分析的第一步就是要獲取數據，如今獲取Twitter數據只需要通過網頁爬蟲或者API就可以實現。本文則使用R語言中的“twitterR”包收集了10000條關于“Rangoon”的推文
我使用了“twitterR”采集了10000條關于“Rangoon”的推特和回復，這部電影與2017年2月24日上映，我采集了2月25日的推特并把它們存在csv文件里，再用“readr”包讀入R里。從推特采集數據的過程超出了本文的范疇，暫且不表。
- # 加載數據
- library(readr)
- rangoon = read_csv("rangoontweets.csv")
4. 用“tm”包進行分析
“tm”包是在R內進行文本挖掘的框架，它會基于廣泛使用的“Bag of Words”原則進行分析。這一方法非常簡單易用，它會統計文本中每個詞的頻率，然后把詞頻作為變量。這一看似簡單的方法其實非常有效，并且現在已經成了自然語言處理領域的基準。
主要步驟如下：
Step 1: 加載相應的包并且提出數據
- # 加載包
- library('stringr')
- library('readr')
- library('wordcloud')
- library('tm')
- library('SnowballC')
- library('RWeka')
- library('RSentiment')
- library(DT)
- # 提出相關數據
- r1 = as.character(rangoon$text)
Step 2: 數據預處理
對文本進行預處理可以顯著提升Bag of Words方法(其他方法也是)的效果。
預處理的第一步是構建語料庫，簡單地說就是一本詞典。語料庫一旦建立好了，預處理也就完成了大半。
首先，讓我們移除標點，基礎方法就是把不是數字和字母的對象移除。當然，有時標點符號也很有用，像web地址中標點就有提示符的作用。所以，移除標點要具體問題具體分析，本文中則不需要它們。
之后，我們把單詞都變成小寫防止統計錯誤。
預處理的另一個任務是把沒有用的詞組去掉，很多詞被頻繁使用但只在句子里才有意義。這些詞被稱為“stop words”(停詞)。舉個例子，像the，is這些詞就是停詞，它們對之后的情感分析無甚作用，所以就把它們去掉來給數據瘦身。
另一個重要環節是stemming(詞干提取)，他能把不同結尾的詞轉換成原始形式。比如，love，loved，loving這些詞之間的差異很小，可以用一個詞干也就是lov來代表它們，這個降維過程就叫詞干提取。
一旦我們把數據預處理好了，我們就可以開始統計詞頻來為未來建模做準備了。tm包提供了一個叫“DocumentTermMatrix”的來完成相應功能，它會返回一個矩陣，矩陣的每一行代表文檔(本例中是一條推特)，列就代表了推特中的單詞。具體的數據就代表了每條對特相應單詞的出現頻率。
我們生成這個舉證并把它命名為“dtm_up”。
- # 數據預處理
- set.seed(100)
- sample = sample(r1, (length(r1)))
- corpus = Corpus(VectorSource(list(sample)))
- corpus = tm_map(corpus, removePunctuation)
- corpus = tm_map(corpus, content_transformer(tolower))
- corpus = tm_map(corpus, removeNumbers)
- corpus = tm_map(corpus, stripWhitespace)
- corpus = tm_map(corpus, removeWords, stopwords('english'))
- corpus = tm_map(corpus, stemDocument)
- dtm_up = DocumentTermMatrix(VCorpus(VectorSource(corpus[[1]]$content)))
- freq_up <- colSums(as.matrix(dtm_up))
Step 3: 計量情感
現在是時候來進行情感打分了。R中的“calculate_sentiment”函數可以完成這一工作，它會讀入文本并計量每個句子的情感得分。這一函數會把文本作為輸入，輸出一個包含每個句子情感得分的向量。
讓我們來實現這一功能。
- # 計量情感
- sentiments_up = calculate_sentiment(names(freq_up))
- sentiments_up = cbind(sentiments_up, as.data.frame(freq_up))
- sent_pos_up = sentiments_up[sentiments_up$sentiment == 'Positive',]
- sent_neg_up = sentiments_up[sentiments_up$sentiment == 'Negative',]
- cat("We have far lower negative Sentiments: ",sum(sent_neg_up$freq_up)," than positive: ",sum(sent_pos_up$freq_up))
我們發現褒義詞和貶義詞的比例是5780/3238 = 1.8，乍一看電影還是受到觀眾的好評的
讓我們分別深入挖掘好拼和差評來獲取更深的理解。
– 褒義詞
下方的表格展示了被分類為好拼的文本的詞頻，我們通過datatable函數實現這個功能。
“love”，“best”和“brilliant”是好評中的三大高頻詞。
- DT::datatable(sent_pos_up)
- textsentimentfreq_upaccomplishaccomplishPositive1adaptadaptPositive2appealappealPositive4astonishastonishPositive3awardawardPositive85aweawePositive11awestruckawestruckPositive5benefitbenefitPositive1bestbestPositive580betterbetterPositive186
我們可以把這個結果用詞云進行可視化，詞云中單詞個頭越大代表它出現頻率越高。
– 褒義詞詞云
- layout(matrix(c(1, 2), nrow=2), heights=c(1, 4))
- par(mar=rep(0, 4))
- plot.new()
- set.seed(100)
- wordcloud(sent_pos_up$text,sent_pos_up$freq,min.freq=10,colors=brewer.pal(6,"Dark2"))
詞云也顯示了love是好評中頻率最高的單詞。
– 貶義詞
重復之前的步驟，貶義詞中“miss”，“dismal”和“hell”是top3，讓我們也用詞云來可視化。
- DT::datatable(sent_neg_up)
- textsentimentfreq_upabruptabruptNegative3addictaddictNegative1annoyannoyNegative3arduousarduousNegative1attackattackNegative2awkwardawkwardNegative2badbadNegative64badbadNegative64baselessbaselessNegative1bashbashNegative5beatbeatNegative22
貶義詞詞云
- plot.new()
- set.seed(100)
- wordcloud(sent_neg_up$text,sent_neg_up$freq, min.freq=10,colors=brewer.pal(6, "Dark2")
注意：在文本分析時，最好對分析的對象有一定了解。比如“bloody”或者“hell”這樣的貶義詞可能是從電影的插曲“bloody hell”中被統計出來的。相似的，“miss”也可能來自于Ragoon中的女性人物“Miss Julia”，這樣把它作為貶義詞處理可能就不合適了。
考慮到這些異象，我們要對分析結果做進一步處理。之前統計的褒貶詞的比例是1.8，現在3238個貶義詞中的144個“hell”先不考慮，這樣這個比例會上升到1.87。
這是得到觀眾對Rangoon平價的第一步，看起來好評居多，我們需要用更細致的方法省查這一結論。
5. 用 “syuzhet” 包進行分析
“syuzhet”包會使用3個情感詞典來進行情感分析。與上述方法不同，它能分析更廣范圍的情感。當然，第一步還是要對數據進行預處理，包括對html鏈接進行清洗。
- # 方法2 - 使用syuzhet包
- text = as.character(rangoon$text)
- ## 去掉回復
- some_txt<-gsub("(RT|via)((?:\\b\\w*@\\w+)+)","",text)
- ## 清洗html鏈接
- some_txt<-gsub("http[^[:blank:]]+","",some_txt)
- ## 去掉人名
- some_txt<-gsub("@\\w+","",some_txt)
- ## 去掉標點
- some_txt<-gsub("[[:punct:]]"," ",some_txt)
- ## 去掉數字
- some_txt<-gsub("[^[:alnum:]]"," ",some_txt)
這個函數會輸出一個數據框，每一行代表原始文件的一個句子，每一列代表一種情感類型和正負情感配比。一共有十列，代表“anger”, “anticipation”, “disgust”, “fear”, “joy”, “sadness”, “surprise”, “trust”, “negative”, “positive”。
讓我們把這個結果也可視化
- # 可視化
- library(ggplot2)
- library(syuzhet)
- mysentiment<-get_nrc_sentiment((some_txt))
- # 得到每種情感的得分
- mysentiment.positive =sum(mysentiment$positive)
- mysentiment.anger =sum(mysentiment$anger)
- mysentiment.anticipation =sum(mysentiment$anticipation)
- mysentiment.disgust =sum(mysentiment$disgust)
- mysentiment.fear =sum(mysentiment$fear)
- mysentiment.joy =sum(mysentiment$joy)
- mysentiment.sadness =sum(mysentiment$sadness)
- mysentiment.surprise =sum(mysentiment$surprise)
- mysentiment.trust =sum(mysentiment$trust)
- mysentiment.negative =sum(mysentiment$negative)
- # 繪制柱狀圖
- yAxis <- c(mysentiment.positive,
- + mysentiment.anger,
- + mysentiment.anticipation,
- + mysentiment.disgust,
- + mysentiment.fear,
- + mysentiment.joy,
- + mysentiment.sadness,
- + mysentiment.surprise,
- + mysentiment.trust,
- + mysentiment.negative)
- xAxis <- c("Positive","Anger","Anticipation","Disgust","Fear","Joy","Sadness","Surprise","Trust","Negative")
- colors <- c("green","red","blue","orange","red","green","orange","blue","green","red")
- yRange <- range(0,yAxis) + 1000
- barplot(yAxis, names.arg = xAxis,
- xlab = "Emotional valence", ylab = "Score", main = "Twitter sentiment for Movie Rangoon 2017", sub = "Feb 2017", col = colors, border = "black", ylim = yRange,
- xpd = F, axisnames = T, cex.axis = 0.8, cex.sub = 0.8, col.sub = "blue")
- colSums(mysentiment)
看看這個柱狀圖和每種情感的總和，積極情感(“positive”，“joy”，“trust”)比消極情感(“negative”，“disgust”，“anger”)得分高很多。這或許暗示了觀眾對電影評價比較正面。
6. 結論
兩個方法都表名電影“Rangoon”得到了觀眾的肯定。
7. 對電影表現構建一個預測模型
本文專注于對電影“Rangoon”相關推特進行情感分析，然而對于預測票房而言這可能不是很有作用。眾所周知，很多電影叫好不叫座，一些腦殘片卻能賺得盆滿缽滿。
這可咋整?
解決方案就是分析同類型電影的PT/NT比(好評差評比例)轉換為票房的歷史數據，并構建一個擬合與預測兼優的模型。這個模型可以用來預測電影是否會獲得商業上的成功，在Rangoon這個例子里，1.87會被作為輸入的值。
由于這個問題超過了本文的范疇，我們不會展開討論。但需要注意的是文本分析也能用來預測電影票房。
結語
本文使用電影相關推特來進行情感分析，需要注意的是采集的推特的發表時間可能很重要。在電影上映前后的推特可能在情感上有很大分歧，不同的預處理方式也會影響到結果。
本文的目的不在分析電影Rangoon的好壞，而是提出了情感分析的具體步驟。在這一領域還有很多先進的方法，本文介紹的兩個方法是最簡單直觀的。
