Comenzando con el Análisis de Sentimiento.

Sanálisis de sentimiento es el proceso de clasificar si un bloque de texto es positivo, negativo, o, neutral. También se conoce como minería de opinión, derivando la opinión o actitud de un hablante. Análisis de los sentimientos es una minería contextual de palabras que indica el sentimiento social de una marca y también ayuda a la empresa a determinar si el producto que están fabricando tendrá demanda en el mercado o no.t.

El objetivo que trata de alcanzar el análisis de sentimiento es analizar la opinión de las personas de manera que pueda ayudar a las empresas a expandirse. Se enfoca no solo en la polaridad (positiva, negativa y neutral) sino también en las emociones (feliz, triste, enojado, etc.). Utiliza varios algoritmos de procesamiento de lenguaje natural, como basado en reglas, automático e híbrido.

Por ejemplo, si queremos analizar si un producto está satisfaciendo los requisitos del cliente o si existe una necesidad de este producto en el mercado. Podemos usar el análisis de sentimientos para monitorear las reseñas de ese producto. El análisis de opinión también es eficiente cuando hay un gran conjunto de datos no estructurados y queremos clasificar esos datos etiquetándolos automáticamente. servicio. El análisis de sentimiento también ganó popularidad debido a su función para procesar grandes volúmenes de respuestas NPS y obtener resultados consistentes rápidamente.

Según la encuesta, el 80% de los datos del mundo no están estructurados. Los datos deben analizarse y estar estructurados, ya sea en forma de correos electrónicos, textos, documentos, artículos y muchos más.

También te puede interesarLos 9 mejores generadores de video con IA (texto a video)

Se requiere el análisis de sentimiento ya que almacena datos de manera eficiente y económica.

El análisis de sentimiento resuelve problemas en tiempo real y puede ayudarlo a resolver todos los escenarios en tiempo real.

Podemos ver que el análisis de sentimientos es útil en las siguientes aplicaciones de la vida real;

En el campo del marketing (negocios), las empresas lo utilizan para desarrollar sus estrategias, para comprender los sentimientos de los clientes hacia los productos o marcas, cómo responde la gente a sus campañas o lanzamientos de productos y por qué los consumidores no compran algunos productos.

En el ámbito político, se utiliza para realizar un seguimiento de la visión política, para detectar la consistencia e inconsistencia entre declaraciones y acciones a nivel de gobierno. ¡También se puede usar para predecir los resultados de las elecciones!

En Public Actions, el análisis de sentimiento también se utiliza para monitorear y analizar fenómenos sociales, detectar situaciones potencialmente peligrosas y determinar el estado de ánimo general de la blogósfera.

Análisis de sentimiento detallado: Esto depende de la polaridad basada. Esta categoría se puede diseñar como muy positiva, positiva, neutra, negativa, muy negativa. La calificación se realiza en una escala de 1 a 5. Si la calificación es 5 entonces es muy positiva, 2 entonces negativa y 3 entonces neutral.

Detección de emociones: El sentimiento feliz, triste, enojado, molesto, alegre, placentero, etc., se encuentra bajo la detección de emociones. También se conoce como un método léxico de análisis de sentimientos.

Análisis de sentimiento basado en aspectos: Se enfoca en un aspecto particular como, por ejemplo, si una persona quiere verificar la función del teléfono celular, luego verifica el aspecto como la batería, la pantalla, la calidad de la cámara y luego se usa el aspecto basado.

Análisis de sentimiento multilingüe: Multilingüe consiste en diferentes idiomas donde la clasificación debe hacerse como positivo, negativo y neutral. Esto es muy desafiante y comparativamente difícil.

Se utilizan tres enfoques:

Enfoque basado en reglas: Aquí, el método de léxico, tokenización, análisis se basa en reglas. El enfoque es que cuenta el número de palabras positivas y negativas en el conjunto de datos dado. Si el número de palabras positivas es mayor que el de palabras negativas, entonces el sentimiento es positivo y viceversa.

Enfoque automático: Este enfoque funciona en la técnica de aprendizaje automático. En primer lugar, se entrenan los conjuntos de datos y se realiza un análisis predictivo. El siguiente proceso es la extracción de palabras del texto. Esta extracción de texto se puede realizar utilizando diferentes técnicas, como Naive Bayes, Regresión lineal, Vector de soporte, Aprendizaje profundo, así como se utilizan técnicas de aprendizaje automático.

Enfoque híbrido: Es la combinación de los dos enfoques anteriores, es decir, un enfoque automático y basado en reglas. El excedente es que la precisión es alta en comparación con los otros dos enfoques.

Sentiment Analysis tiene una amplia gama de aplicaciones tales como:

Medios de comunicación social: Si, por ejemplo, los comentarios en las redes sociales como Instagram, aquí todas las reseñas se analizan y clasifican como positivas, negativas y neutrales.

Servicio al Cliente: En Play Store, todos los comentarios del 1 al 5 se realizan con la ayuda de enfoques de análisis de sentimientos.

Sector Comercialización: En el área de marketing donde un producto en particular necesita ser revisado como bueno o malo.

Todos los revisores verán los comentarios y revisarán y darán la revisión general del producto.

Los desafíos en el enfoque de análisis de sentimiento incluyen:

También te puede interesar¡DEJA de vender! Haga preguntas y escuche en su lugar

Si los datos son en forma de tono, entonces se vuelve realmente difícil detectar si el comentario es pesimista u optimista.

Si los datos están en forma de emoji, entonces debe detectar si son buenos o malos.

Incluso la detección de comentarios irónicos, sarcásticos y comparativos es realmente difícil.

Comparar una declaración neutral es una gran tarea.

Hagamos un análisis de sentimiento de Twitter usando Python. Puede hacer un análisis de opinión de cualquier tema analizando los tweets obtenidos de Twitter usando Python. El paso 1 soy yoInstalación:

#tweepy is a python client for the official twitter api.
pip install tweepy
#textblob is the python library for processing textual data. 
pip install textblob
#NLTK corpora is nothing but a large and structured set of texts.
python -m textblob.download_corpora

El paso 2 es Autenticación:

Para obtener tweets a través de la API de Twitter, es necesario registrar una aplicación a través de su cuenta de Twitter. Siga estos pasos para el mismo:

Abre esto enlace y haga clic en el botón: ‘Crear nueva aplicación’

Complete los detalles de la aplicación. Puede dejar el campo URL de devolución de llamada vacío.

Una vez que se crea la aplicación, será redirigido a la página de la aplicación.

Abra la pestaña ‘Claves y tokens de acceso’.

Copie ‘Clave de consumidor’, ‘Secreto de consumidor’, ‘Token de acceso’ y ‘Secreto de token de acceso’.

El paso 3 es Implementación:

También te puede interesarImprimir declaración de una IA no autorizada

import re
import tweepy
from tweepy import OAuthHandler
from textblob import TextBlob
class TwitterClient(object):
'''
Generic Twitter Class for sentiment analysis.
'''
def __init__(self):
'''
Class constructor or initialization method.
'''
# keys and tokens from the Twitter Dev Console
consumer_key = 'XXXXXXXXXXXXXXXXXXXXXXXX'  Szx6H4G7s5Htniyc0JnKLuLSR
consumer_secret = 'XXXXXXXXXXXXXXXXXXXXXXXXXXXX'  gaKrr1i39ww9pDSr0NDt8u4QGDXZEJCF6BiucmNOGZ0QMva0M6
access_token = 'XXXXXXXXXXXXXXXXXXXXXXXXXXXX'  942840711308701696-yiEaEYXOUlFkKbkcl8IsfOzsZ7jXKuc
access_token_secret = 'XXXXXXXXXXXXXXXXXXXXXXXXX'  ElGQ4CKIqh8Ip55xaKLqf8tijrZTCCt2wiWNziafSEgOx
# attempt authentication
try:
# create OAuthHandler object
self.auth = OAuthHandler(consumer_key, consumer_secret)
# set access token and secret
self.auth.set_access_token(access_token, access_token_secret)
# create tweepy API object to fetch tweets
self.api = tweepy.API(self.auth)
except:
print("Error: Authentication Failed")
def clean_tweet(self, tweet):
'''
Utility function to clean tweet text by removing links, special characters
using simple regex statements.
'''
return ' '.join(re.sub("(@[A-Za-z0-9]+)|([^0-9A-Za-z t])
|(w+://S+)", " ", tweet).split())
def get_tweet_sentiment(self, tweet):
'''
Utility function to classify sentiment of passed tweet
using textblob's sentiment method
'''
# create TextBlob object of passed tweet text
analysis = TextBlob(self.clean_tweet(tweet))
# set sentiment
if analysis.sentiment.polarity > 0:
return 'positive'
elif analysis.sentiment.polarity == 0:
return 'neutral'
else:
return 'negative'
También te puede interesarCómo usar la IA para crear imágenes de cualquier cosa que puedas imaginar
def get_tweets(self, query, count = 10):
'''
Main function to fetch tweets and parse them.
'''
# empty list to store parsed tweets
tweets = []
try:
# call twitter api to fetch tweets
fetched_tweets = self.api.search(q = query, count = count)
# parsing tweets one by one
for tweet in fetched_tweets:
# empty dictionary to store required params of a tweet
parsed_tweet = {}
# saving text of tweet
parsed_tweet['text'] = tweet.text
# saving sentiment of tweet
parsed_tweet['sentiment'] = self.get_tweet_sentiment(tweet.text)
# appending parsed tweet to tweets list
if tweet.retweet_count > 0:
# if tweet has retweets, ensure that it is appended only once
if parsed_tweet not in tweets:
tweets.append(parsed_tweet)
else:
tweets.append(parsed_tweet)
# return parsed tweets
return tweets
except tweepy.TweepError as e:
# print error (if any)
print("Error : " + str(e))
def main():
# creating object of TwitterClient Class
api = TwitterClient()
# calling function to get tweets
tweets = api.get_tweets(query = 'Donald Trump', count = 200)
# picking positive tweets from tweets
ptweets = [tweet for tweet in tweets if tweet['sentiment'] == 'positive']
# percentage of positive tweets
print("Positive tweets percentage: {} %".format(100*len(ptweets)/len(tweets)))
# picking negative tweets from tweets
ntweets = [tweet for tweet in tweets if tweet['sentiment'] == 'negative']
# percentage of negative tweets
print("Negative tweets percentage: {} %".format(100*len(ntweets)/len(tweets)))
# percentage of neutral tweets
print("Neutral tweets percentage: {} % 
".format(100*(len(tweets) -(len( ntweets )+len( ptweets)))/len(tweets)))
# printing first 5 positive tweets
print("nnPositive tweets:")
for tweet in ptweets[:10]:
print(tweet['text'])
# printing first 5 negative tweets
print("nnNegative tweets:")
for tweet in ntweets[:10]:
print(tweet['text'])
if __name__ == "__main__":
# calling main function
main()

Nuestra salida debería verse así;

Positive tweets percentage: 22 %
Negative tweets percentage: 15 %
Positive tweets:
RT @JohnGGalt: Amazing—after years of attacking Donald Trump the media managed
to turn #InaugurationDay into all about themselves.
#MakeAme…
RT @vooda1: CNN Declines to Air White House Press Conference Live YES! 
THANK YOU @CNN FOR NOT LEGITIMI…
RT @Muheeb_Shawwa: Donald J. Trump's speech sounded eerily familiar...
POTUS plans new deal for UK as Theresa May to be first foreign leader to meet new 
president since inauguration 
.@realdonaldtrump #Syria #Mexico #Russia & now #Afghanistan. 
Another #DearDonaldTrump Letter worth a read @AJEnglish 
Negative tweets:
RT @Slate: Donald Trump’s administration: “Government by the worst men.” 
RT @RVAwonk: Trump, Sean Spicer, etc. all lie for a reason. 
Their lies are not just lies. Their lies are authoritarian propaganda.  
RT @KomptonMusic: Me: I hate corn 
Donald Trump: I hate corn too
Me: https://t.co/GPgy8R8HB5
It's ridiculous that people are more annoyed at this than Donald Trump's sexism.
RT @tony_broach: Chris Wallace on Fox news right now talking crap 
about Donald Trump news conference it seems he can't face the truth either…
RT @fravel: With False Claims, Donald Trump Attacks Media on Crowd Turnout 
Aziz Ansari Just Hit Donald Trump Hard In An Epic Saturday Night Live Monologue

*Autorizamos al cliente API de Twitter, hicimos una solicitud GET a la API de Twitter para buscar tweets para una consulta en particular y analizamos los tweets clasificando cada tweet como positivo, negativo o neutral.*

Ahora, intentemos entender el código anterior:

En primer lugar, creamos un TwitterCliente clase. Esta clase contiene todos los métodos para interactuar con la API de Twitter y analizar tweets. Usamos __en eso__ función para manejar la autenticación del cliente API.

En obtener_tweets función, usamos:

fetched_tweets = self.api.search(q = query, count = count)

para llamar a la API de Twitter para buscar tweets.

En get_tweet_sentiment usamos el módulo textblob.

analysis = TextBlob(self.clean_tweet(tweet))

TextBlob es en realidad una biblioteca de alto nivel construida sobre la parte superior de NLTK biblioteca. Primero llamamos clean_tweet método para eliminar enlaces, caracteres especiales, etc. del tweet usando algunas expresiones regulares simples. Luego, al pasar Pío para crear un TextBlob objeto, el siguiente procesamiento se realiza sobre el texto mediante la biblioteca textblob:

Tokenice el tweet, es decir, divida las palabras del cuerpo del texto.

Elimina las palabras vacías de los tokens (las palabras vacías son las palabras de uso común que son irrelevantes en el análisis de texto como yo, soy, tú, eres, etc.)

Realice el etiquetado POS (parte del discurso) de los tokens y seleccione solo características/tokens significativos como adjetivos, adverbios, etc.

Pase las fichas a un clasificador de sentimientos que clasifica el sentimiento del tweet como positivo, negativo o neutral asignándole una polaridad entre -1.0 y 1.0.

TextBlob utiliza un conjunto de datos de Reseñas de películas en el que las reseñas ya se han etiquetado como positivas o negativas.

Las características positivas y negativas se extraen de cada revisión positiva y negativa respectivamente.

Los datos de entrenamiento ahora consisten en características positivas y negativas etiquetadas. Estos datos se entrenan en un Clasificador bayesiano ingenuo.

Finalmente, se devuelven los tweets analizados. Luego, podemos hacer varios tipos de análisis estadísticos en los tweets. Por ejemplo, en el programa anterior, tratamos de encontrar el porcentaje de tweets positivos, negativos y neutrales sobre una consulta.

En resumen, esto es lo que código hace. Espero que esto haya sido útil, si fue reaccionar con un aplauso, si no fue un comentario sobre lo que debería haber hecho diferente.