【问题标题】:Train corpus of Tweets for Sentiment Analysis, using NLTK for Python使用 NLTK for Python 训练推文语料库进行情绪分析
【发布时间】:2015-06-30 06:16:04
【问题描述】:

我正在尝试使用 NLTK for python 训练我自己的语料库进行情感分析。我有两个文本文件:一个有 25K 正面推文,每行分隔,另一个有 25K 负面推文。

I use this Stackoverflow article, method 2

当我运行这段代码来创建语料库时:

import string
from itertools import chain

from nltk.corpus import stopwords
from nltk.probability import FreqDist
from nltk.classify import NaiveBayesClassifier as nbc
from nltk.corpus import CategorizedPlaintextCorpusReader
import nltk

mydir = 'C:\Users\gerbuiker\Desktop\Sentiment Analyse\my_movie_reviews'

mr = CategorizedPlaintextCorpusReader(mydir, r'(?!\.).*\.txt', cat_pattern=r'(neg|pos)/.*', encoding='ascii')
stop = stopwords.words('english')
documents = [([w for w in mr.words(i) if w.lower() not in stop and w.lower() not in string.punctuation], i.split('/')[0]) for i in mr.fileids()]

word_features = FreqDist(chain(*[i for i,j in documents]))
word_features = word_features.keys()[:100]

numtrain = int(len(documents) * 90 / 100)
train_set = [({i:(i in tokens) for i in word_features}, tag) for tokens,tag in documents[:numtrain]]
test_set = [({i:(i in tokens) for i in word_features}, tag) for tokens,tag  in documents[numtrain:]]

classifier = nbc.train(train_set)
print nltk.classify.accuracy(classifier, test_set)
classifier.show_most_informative_features(5)

我收到错误消息:

C:\Users\gerbuiker\Anaconda\python.exe "C:/Users/gerbuiker/Desktop/Sentiment Analyse/CORPUS_POS_NEG/CreateCorpus.py"
Traceback (most recent call last):
  File "C:/Users/gerbuiker/Desktop/Sentiment Analyse/CORPUS_POS_NEG/CreateCorpus.py", line 23, in <module>
    documents = [([w for w in mr.words(i) if w.lower() not in stop and w.lower() not in string.punctuation], i.split('/')[0]) for i in mr.fileids()]
  File "C:\Users\gerbuiker\AppData\Roaming\Python\Python27\site-packages\nltk\corpus\reader\util.py", line 336, in iterate_from
    assert self._len is not None
AssertionError

Process finished with exit code 1

有谁知道如何解决这个问题?

【问题讨论】:

  • 您的目录/文件夹的结构是什么。可以发dir C:/Users/gerbuiker/Desktop/Sentiment Analyse吗? dir 命令的输出是什么?
  • C:\Users\gerbuiker\Desktop\Sentiment Analyse\my_movie_reviews 此文件夹包含一个文件 'README.txt' + 两个子文件夹 -> 1 'pos',其中包含 pos.txt,包含 25K 行带有正面推文 1 'neg',其中包含 neg.txt,包含 25K 行带有负面推文因此与原始 movie_review 文件夹的设置相同,除了我的两个子文件夹每个包含 1 个大文本文件,而原始 movie_review 包含大量较小的文本文件带有评论的文本文件

标签: python twitter nlp nltk sentiment-analysis


【解决方案1】:

我不是 100% 肯定的,因为我目前不在 Windows 机器上进行测试,但我认为可能让你感到困惑的是 @alvas 原始示例中的路径斜线方向与你的适应windows。

具体来说,您使用:'C:\Users\gerbuiker\Desktop\Sentiment Analyse\my_movie_reviews',而他的示例使用'/home/alvas/my_movie_reviews'。在大多数情况下这很好,但是您尝试重新使用他的 cat_pattern 正则表达式:r'(neg|pos)/.*' 这将匹配他路径中的斜杠,但拒绝您路径中的斜杠。

【讨论】:

  • 由于我目前无法对其进行测试,NLTK 也有可能在某处对路径进行规范化并呈现差异,但希望这就是问题所在。
猜你喜欢
  • 2015-07-03
  • 1970-01-01
  • 2015-08-03
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 1970-01-01
  • 2014-01-16
相关资源
最近更新 更多