Python朴素贝叶斯情感分析代码示例 - 识别积极、消极和中性情绪

以下是一个基于朴素贝叶斯算法实现情感分析（积极、消极、中性）的 Python 代码示例：

import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
from nltk.stem import WordNetLemmatizer
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 下载必要的数据集和模型
nltk.download('punkt')
nltk.download('stopwords')
nltk.download('wordnet')

# 加载数据集
data = [
    ('I love this product', 'positive'),
    ('This is the worst product ever', 'negative'),
    ('I am neutral about this product', 'neutral'),
    # 更多的训练数据...
]

# 数据预处理
lemmatizer = WordNetLemmatizer()
stop_words = set(stopwords.words('english'))

def preprocess(text):
    # 分词
    tokens = word_tokenize(text.lower())
    # 去除停用词和标点符号
    tokens = [token for token in tokens if token.isalpha() and token not in stop_words]
    # 词形还原
    tokens = [lemmatizer.lemmatize(token) for token in tokens]
    # 返回处理后的文本
    return ' '.join(tokens)

# 提取特征
corpus = [preprocess(text) for text, _ in data]
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(corpus)
y = [label for _, label in data]

# 训练模型
model = MultinomialNB()
model.fit(X, y)

# 进行预测
test_data = [
    'I hate this product',
    'This product is awesome',
    'I have no opinion about this product',
    # 更多的测试数据...
]
X_test = vectorizer.transform([preprocess(text) for text in test_data])
y_pred = model.predict(X_test)

# 输出预测结果
for text, label in zip(test_data, y_pred):
    print(f'{text} -> {label}')

# 计算准确率
y_true = ['negative', 'positive', 'neutral']  # 测试数据的真实标签
accuracy = accuracy_score(y_true, y_pred)
print(f'Accuracy: {accuracy:.2f}')

在上述代码中，我们首先加载了必要的数据集和模型，然后定义了一个 preprocess() 函数用于对输入的文本进行预处理，包括分词、去除停用词和标点符号、词形还原等操作。接着，我们使用 CountVectorizer 提取文本特征，并使用朴素贝叶斯算法训练了一个情感分析模型。最后，我们使用模型对一些测试数据进行预测，并计算了预测结果的准确率。