共计 1139 个字符，预计需要花费 3 分钟才能阅读完成。
COMP9414：情绪剖析
假如你被一家大型航空公司聘为数据科学家。你的工作是剖析 Twitter 提要，以确定客户对你的公司及其竞争对手的情绪。在这项作业中，你将取得一系列对于美国航空公司的推文。这些微博被人为地贴上了情感标签。情绪分为踊跃、消极或中性。重要提醒：不要在互联网上公布这些推文，因为这违反了 Twitter 的服务条款。您须要应用各种个性和设置来评估各种有监督的机器学习办法，以确定哪些办法最适宜该畛域中的情感分类。工作包含两个局部：编写一系列用于情绪剖析的模型，以及一份评估模型有效性的报告。编程局部包含开发用于 tweet 数据预处理的 Python 代码，以及应用 NLP 和机器学习工具箱进行办法试验。该报告包含应用各种指标评估和比拟模型，并将机器学习模型与基线办法进行比拟。您将应用 NLTK 工具箱进行根本语言预处理，scikit learn 用于性能构建和评估机器学习模型。您将取得一个如何应用 NLTK 和 scikit learn 来实现此工作的示例 (示例.py). 对于情绪剖析基线，NLTK 包含一个手工制作的（众包）情绪剖析工具，VADER，1，因为其应用表情符号和社交媒体文本的其余特色来强化情绪，因而在该畛域可能体现良好，然而，维德的准确性很难预测，因为：（i）众包总体上是高度不牢靠的，（ii）这个数据集可能不包含太多的情绪和其余情绪标记的应用。数据和办法训练数据集是一个 tsv（tab 分隔值）文件，其中蕴含许多 tweet，每行有一条 tweet，tweet 中的换行符被删除。tsv 文件的每一行都有三个字段：实例号、tweet 文本和情绪（侧面、负面或中性）。测试数据集是一个与训练数据集格局雷同的 tsv 文件，只是代码应该疏忽情感字段。训练和测试数据集能够从提供的文件中提取数据集.tsv（见下文）。对于除 VADER 之外的所有模型，将 tweet 视为单词汇合，其中单词是由至多两个字母、数字或符号 #、@、$ 或 % 组成的字符串，并在删除所有其余字符后（两个字符是 scikit learn 中 CountVectorizer 的默认最小字长）。URL 应该被视为一个空格，所以要对单词进行分隔。请留神，删除“垃圾邮件”字符可能会创立以前由这些字符分隔的较长单词。应用课堂上探讨的监督学习办法：决策树（DT）、伯努利奢侈贝叶斯（BNB）和多项式奢侈贝叶斯（MNB）。
情绪剖析其实是一个绝对不好量化的内容，每个人的情绪随着工夫与地点的扭转始终在进行这起伏变动。就像课业中提到的剖析客户对自家公司及竞争对手的情绪变动，目标是什么呢，是寻求到客户对两者的态度以及抉择趋势的区别，那么就须要进行大量的日常数据列举与归类，在归类的同时寻找其中的大范畴概率。这也是较难执行的局部
更多探讨能够 +Vabby12468
