Question

我正在使用TextBlob执行情绪分析任务。我注意到TextBlob能够在某些情况下检测到否定，而在其他情况下则不能。

以下是两个简单的例子

>>> from textblob.sentiments import PatternAnalyzer

>>> sentiment_analyzer = PatternAnalyzer()
# example 1
>>> sentiment_analyzer.analyze('This is good')
Sentiment(polarity=0.7, subjectivity=0.6000000000000001)

>>> sentiment_analyzer.analyze('This is not good')
Sentiment(polarity=-0.35, subjectivity=0.6000000000000001)

# example 2
>>> sentiment_analyzer.analyze('I am the best')
Sentiment(polarity=1.0, subjectivity=0.3)

>>> sentiment_analyzer.analyze('I am not the best')  
Sentiment(polarity=1.0, subjectivity=0.3)

正如您在第二个示例中所看到的，使用形容词best时极性不会改变。我怀疑这与形容词best是一个非常强大的指标这一事实有关，但似乎并不正确，因为否定应该颠倒极性（在我的理解中）。

任何人都可以解释一下它会发生什么？ textblob是否使用了一些否定机制，或仅仅是not这个词在句子中添加负面情绪？在任何一种情况下，为什么第二个例子在两种情况下都具有完全相同的情绪？关于如何克服这些障碍有什么建议吗？

Answer 1

（编辑：我的旧答案更多是关于一般分类器，而不是关于PatternAnalyzer）

TextBlob在您的代码中使用“PatternAnalyzer”。其行为在该文件中简要描述：http://www.clips.ua.ac.be/pages/pattern-en#parser

我们可以看到：

pattern.en模块捆绑了产品评论中经常出现的形容词词典（例如，好，坏，惊人，刺激性......），带有注释的情感分数极性（正↔负）和主观性（客观↔主观）。

sentiment（）函数返回给定句子的（极性，主观性）元组，基于它包含的形容词，

这是一个显示算法行为的示例。极性直接取决于使用的形容词。

sentiment_analyzer.analyze('player')
Sentiment(polarity=0.0, subjectivity=0.0)

sentiment_analyzer.analyze('bad player')
Sentiment(polarity=-0.6999998, subjectivity=0.66666)

sentiment_analyzer.analyze('worst player')
Sentiment(polarity=-1.0, subjectivity=1.0)

sentiment_analyzer.analyze('best player')
Sentiment(polarity=1.0, subjectivity=0.3)

专业软件通常使用基于神经网络和分类器以及词法分析的复杂工具。但对我来说，TextBlob只是试图根据语法分析的直接结果（这里是形容词的极性）给出结果。这是问题的根源。

确实没有尝试检查一般句子是否为负（使用“not”字）。它试图检查是否否定形容词（因为它仅适用于形容词，而不适用于一般结构）。在这里，最好用作名词而不是否定形容词。所以，极性是正的。

sentiment_analyzer.analyze('not the best')
Sentiment(polarity=1.0, subjectivity=0.3)

只是重新说明单词的顺序，对形容词而不是整个句子进行否定。

sentiment_analyzer.analyze('the not best')
Sentiment(polarity=-0.5, subjectivity=0.3)

这里，形容词被否定了。所以，极性是负的。这是我对这种“奇怪行为”的解释。

真正的实现在文件中定义： https://github.com/sloria/TextBlob/blob/dev/textblob/_text.py

交互部分由下式给出：

if w in self and pos in self[w]:
    p, s, i = self[w][pos]
    # Known word not preceded by a modifier ("good").
    if m is None:
        a.append(dict(w=[w], p=p, s=s, i=i, n=1, x=self.labeler.get(w)))
    # Known word preceded by a modifier ("really good").

    ...


else:
    # Unknown word may be a negation ("not good").
    if negation and w in self.negations:
        n = w
    # Unknown word. Retain negation across small words ("not a good").
    elif n and len(w.strip("'")) > 1:
        n = None
    # Unknown word may be a negation preceded by a modifier ("really not good").
    if n is not None and m is not None and (pos in self.modifiers or self.modifier(m[0])):
        a[-1]["w"].append(n)
        a[-1]["n"] = -1
        n = None
    # Unknown word. Retain modifier across small words ("really is a good").
    elif m and len(w) > 2:
        m = None
    # Exclamation marks boost previous word.
    if w == "!" and len(a) > 0:

    ...

如果我们输入“not good”或“not good”，它将匹配else部分，因为它不是单个形容词。

“不太好”的部分将匹配elif n and len(w.strip("'")) > 1:，因此它将反转极性。 not the good将不匹配任何模式，因此，极性将与“最佳”相同。

整个代码是一系列精细调整，语法指示（例如添加！增加极性，添加笑脸表示讽刺，......）。这就是为什么一些特定的模式会产生奇怪的结果。要处理每个特定情况，您必须检查您的句子是否与该部分代码中的任何if语句匹配。

我希望我能帮忙

为什么TextBlob不使用/检测否定？

1 个答案: