Cómo comenzar a trabajar en un proyecto de análisis de sentimientos

Sentiwordnet es un diccionario que dice, más que el significado, la polaridad de una oración. Si desea usar Sentiwordnet, todo lo que necesita hacer es dividir su texto en palabras, encontrar puntaje positivo y negativo para esas palabras, combinarlas de acuerdo con sus reglas (lo más simple es agregar).

Lo que el Usuario mencionó en su tercer punto ha demostrado ser un enfoque útil (ver SemEval 2013, SemEval 2014). La gente ha construido sistemas muy simples que son mejores que otras implementaciones simplemente combinando puntajes de diferentes léxicos. Mohammad 2013 , cuyo sistema ha sido State of the Art, construyó un léxico a partir de un corpus bien curado. Su léxico de sentimiento también está disponible en línea al igual que Sentiwordnet. Busca el léxico del sentimiento NRC.

Los enfoques de aprendizaje automático son de todos modos más útiles. Puedes jugar con las características (ngrams, estructura de oraciones, señales adicionales, etc.). Prefiero combinar las puntuaciones de léxico como características para mi modelo ML.

Los enfoques de aprendizaje automático pueden estar sesgados hacia sus datos de entrenamiento. Por lo general, hay mucha diferencia en el vocabulario en diferentes dominios / temas. Las palabras / características que tiene en un corpus que contiene personas que comentan sobre películas pueden estar totalmente ausentes en un corpus de reseñas de restaurantes.

De todos modos, pareces ser nuevo. Juega con todos los enfoques. Descubre sus ventajas y desventajas por ti mismo. Si te quedas atascado, publica la pregunta en Quora 🙂

Lea todo lo que pueda sobre el aprendizaje supervisado y la clasificación en particular.
Cree un clasificador: he usado SVM y Naive Bayes.
Obtenga un montón de tweets, digamos 5000.
Crea un conjunto de entrenamiento equilibrado de c. 200-250 tweets, leyendo las publicaciones y etiquetándolas como positivas o negativas.
Entrena a tu clasificador.
Ponga sus tweets sin clasificar (conjunto de prueba) a través del clasificador.
Lea algunos cientos de tweets clasificados, tal vez el 10% del total. Anote cuántos se clasificaron erróneamente: acepte el nivel de precisión que obtuvo la primera vez o modifique el conjunto de entrenamiento.

Para comenzar, se requiere un conjunto de datos que tenga oraciones etiquetadas como positivas, negativas y neutrales. Una búsqueda rápida en Google puede proporcionar varios conjuntos de datos de código abierto.

Ahora, de alguna manera, necesitamos convertir cada oración en alguna forma numérica para aplicar cualquier algoritmo. Esta conversión se conoce como incrustaciones de palabras. Hay 2 opciones para hacer esto. Utilice una biblioteca de inclusión de palabras ya construida como word2vec, spaCy, GloVe en python que proporcionará directamente un vector para cada oración o cree un modelo de inclusión de palabras desde cero. Según los requisitos de complejidad y los algoritmos de disponibilidad computacional como bolsa de palabras, se puede usar N gram, skip gram, CBOW. Sin embargo, usar una biblioteca ya construida tiene más sentido.

Una vez que tenemos vectores de oraciones, se puede aplicar un algoritmo de clasificación. Nuevamente, según los requisitos de complejidad, se pueden usar algoritmos ML como Random Forest, SVM, Naive Bayes, etc. y algoritmos DL como MLP, CNN, LSTM, BiLSTM que predicen la etiqueta final.

Desde el punto de vista del principiante, la representación vectorial usando word2vec seguido de probar clasificadores ML usando scikit-learn es lo suficientemente bueno.

De sus preguntas parece que preferiría usar herramientas para resolver este problema en lugar de construirlo usted mismo. Dependiendo del sitio web y de los comentarios, puede usar una variedad de soluciones para capturar el sentimiento de los comentarios de su sitio web. En Enginuity: Social Listening y Content Analytics Tools ayudamos a los editores de sitios web a hacer esto fácilmente y, además, ofrecemos un sentimiento agregado para todo el sitio web. También puede extraer los comentarios del sitio web y luego usar una API de análisis de sentimientos como la nuestra para obtener las mejores opiniones si desea crear su propia solución.