[发明专利]一种基于Python的影评情感分析方法

权利要求书

1.一种基于Python的影评情感分析方法，其特征在于，包括数据获取阶段、数据预处理阶段以及数据分析阶段；

所述数据获取阶段使用Python搭建网络爬虫；

所述数据预处理阶段进行分词与停用词的操作；

所述数据分析阶段采用朴素贝叶斯的机器学习方法，结合情感词典方法进行预测分析；

其中，数据获取阶段具体为：所述数据获取阶段使用Python搭建网络爬虫具体为：爬取票房相关数据、以及到评论网站内爬取对应于这些票房的电影的评论数据；其中，票房相关数据包括电影名、在评论网站的主键ID、以及票房三个字段的基本数据，评论数据为以列表结构存储的评论字符串；

其中，所述爬取采用四种针对不同网站的爬虫工具，第一种为获取包括电影列表与票房在内的基础信息的CBO网站爬虫，第二种为获取训练语料库的豆瓣影评爬虫，第三种为获取最终分析结果的时光网短文本影评爬虫，第四种为构建用户自定义词典的词语爬虫。

2.根据权利要求1所述的一种基于Python的影评情感分析方法，其特征在于，所述数据预处理阶段进行分词与停用词的操作中，关于分词的操作具体为：暂储未分词文本的wordDic字段、储存分词结果的wordList列表以及通过爬虫自动生成用户自定义词典的userDic字段；其中，文本分词的辅助工具采用第三方Python类库jieba。

3.根据权利要求2所述的一种基于Python的影评情感分析方法，其特征在于，所述通过爬虫自动生成用户自定义词典具体为：利用爬虫的正则表达式匹配法，自动爬取Web站点链接内2-5个长度的短文本，将其直接认定为词语加入自定义词典中。

4.根据权利要求1所述的一种基于Python的影评情感分析方法，其特征在于，所述数据预处理阶段进行分词与停用词的操作中，关于停用词的操作具体为：去除停用词。

5.根据权利要求1所述的一种基于Python的影评情感分析方法，其特征在于，所述数据分析阶段采用朴素贝叶斯的机器学习方法，结合情感词典方法进行预测分析具体为：包括训练阶段和预测阶段；

其中训练阶段具体为：首先构造训练语料库，然后按照数据预处理阶段进行语料的预处理，将其划分为多个分词，将一个句子视为多个分词组成的词向量，将此维度映射到贝叶斯算法进行计算训练，其中在将词向量的每一项投入训练分类器之前，先比对情感词典参考是否出现在词典中，若出现在词典中，则判断其更有可能影响最终的分析结果，若未出现在词典中，则在训练过程中不增加计数，而后每一个特征则依旧按照朴素思想赋予同等地位进行训练；

其中预测阶段具体为：在已经添加训练过程中的计数量基础上，对输入的每一条新文本进行同样的预处理，遍历每一个分词结果取得先验概率，以类别为条件计算类别对分词的后验概率，计算得出预测的分类结果。