在進(jìn)入正題之前，我們不妨問這樣一個(gè)問題：什么是文本挖掘？

簡而言之，文本挖掘就是把非結(jié)構(gòu)化的文本數(shù)據(jù)轉(zhuǎn)化為有意義的觀點(diǎn)的過程。轉(zhuǎn)化后的觀點(diǎn)可以針對用戶建議，產(chǎn)品評價(jià)，情感分析和消費(fèi)者反饋等

與傳統(tǒng)方法依靠的結(jié)構(gòu)化數(shù)據(jù)不同，文本挖掘的對象是結(jié)構(gòu)松散有諸多語法和拼寫錯(cuò)誤的文本，而且還時(shí)常包含多種語言。這使得整個(gè)挖掘過程變得更有趣且富有挑戰(zhàn)性。

在文本挖掘領(lǐng)域有兩大常用方法：情感分析和詞包挖掘（Bag of Words，a.k.a bow model）。

情感分析關(guān)心單詞的結(jié)構(gòu)和語法，詞包挖掘則是把文本（句子，微博，文檔）視作單詞的集合（包）。

2. 分析目標(biāo)

每個(gè)分析項(xiàng)目都應(yīng)該有個(gè)明確的目標(biāo)，本文的目標(biāo)就是對Twitter數(shù)據(jù)使用文本挖掘技術(shù)來獲取用戶對電影“Rangoon”的情感評價(jià)。

3. 數(shù)據(jù)

分析的第一步就是要獲取數(shù)據(jù)，如今獲取Twitter數(shù)據(jù)只需要通過網(wǎng)頁爬蟲或者API就可以實(shí)現(xiàn)。本文則使用R語言中的“twitterR”包收集了10000條關(guān)于“Rangoon”的推文

我使用了“twitterR”采集了10000條關(guān)于“Rangoon”的推特和回復(fù)，這部電影與2017年2月24日上映，我采集了2月25日的推特并把它們存在csv文件里，再用“readr”包讀入R里。從推特采集數(shù)據(jù)的過程超出了本文的范疇，暫且不表。

# 加載數(shù)據(jù)
library(readr)
rangoon = read_csv("rangoontweets.csv")

4. 用“tm”包進(jìn)行分析

“tm”包是在R內(nèi)進(jìn)行文本挖掘的框架，它會基于廣泛使用的“Bag of Words”原則進(jìn)行分析。這一方法非常簡單易用，它會統(tǒng)計(jì)文本中每個(gè)詞的頻率，然后把詞頻作為變量。這一看似簡單的方法其實(shí)非常有效，并且現(xiàn)在已經(jīng)成了自然語言處理領(lǐng)域的基準(zhǔn)。

主要步驟如下：

Step 1: 加載相應(yīng)的包并且提出數(shù)據(jù)

# 加載包
library('stringr')
library('readr')
library('wordcloud')
library('tm')
library('SnowballC')
library('RWeka')
library('RSentiment')
library(DT)

# 提出相關(guān)數(shù)據(jù)
r1 = as.character(rangoon$text)

Step 2: 數(shù)據(jù)預(yù)處理

對文本進(jìn)行預(yù)處理可以顯著提升Bag of Words方法（其他方法也是）的效果。

預(yù)處理的第一步是構(gòu)建語料庫，簡單地說就是一本詞典。語料庫一旦建立好了，預(yù)處理也就完成了大半。

首先，讓我們移除標(biāo)點(diǎn)，基礎(chǔ)方法就是把不是數(shù)字和字母的對象移除。當(dāng)然，有時(shí)標(biāo)點(diǎn)符號也很有用，像web地址中標(biāo)點(diǎn)就有提示符的作用。所以，移除標(biāo)點(diǎn)要具體問題具體分析，本文中則不需要它們。

之后，我們把單詞都變成小寫防止統(tǒng)計(jì)錯(cuò)誤。

預(yù)處理的另一個(gè)任務(wù)是把沒有用的詞組去掉，很多詞被頻繁使用但只在句子里才有意義。這些詞被稱為“stop words”（停詞）。舉個(gè)例子，像the，is這些詞就是停詞，它們對之后的情感分析無甚作用，所以就把它們?nèi)サ魜斫o數(shù)據(jù)瘦身。

另一個(gè)重要環(huán)節(jié)是stemming（詞干提取），他能把不同結(jié)尾的詞轉(zhuǎn)換成原始形式。比如，love，loved，loving這些詞之間的差異很小，可以用一個(gè)詞干也就是lov來代表它們，這個(gè)降維過程就叫詞干提取。

一旦我們把數(shù)據(jù)預(yù)處理好了，我們就可以開始統(tǒng)計(jì)詞頻來為未來建模做準(zhǔn)備了。tm包提供了一個(gè)叫“DocumentTermMatrix”的來完成相應(yīng)功能，它會返回一個(gè)矩陣，矩陣的每一行代表文檔（本例中是一條推特），列就代表了推特中的單詞。具體的數(shù)據(jù)就代表了每條對特相應(yīng)單詞的出現(xiàn)頻率。

我們生成這個(gè)舉證并把它命名為“dtm_up”。

# 數(shù)據(jù)預(yù)處理
set.seed(100)
sample = sample(r1, (length(r1)))
corpus = Corpus(VectorSource(list(sample)))
corpus = tm_map(corpus, removePunctuation)
corpus = tm_map(corpus, content_transformer(tolower))
corpus = tm_map(corpus, removeNumbers)
corpus = tm_map(corpus, stripWhitespace)
corpus = tm_map(corpus, removeWords, stopwords('english'))
corpus = tm_map(corpus, stemDocument)
dtm_up = DocumentTermMatrix(VCorpus(VectorSource(corpus[[1]]$content)))
freq_up <- colSums(as.matrix(dtm_up))

Step 3: 計(jì)量情感

現(xiàn)在是時(shí)候來進(jìn)行情感打分了。R中的“calculate_sentiment”函數(shù)可以完成這一工作，它會讀入文本并計(jì)量每個(gè)句子的情感得分。這一函數(shù)會把文本作為輸入，輸出一個(gè)包含每個(gè)句子情感得分的向量。

讓我們來實(shí)現(xiàn)這一功能。

# 計(jì)量情感
sentiments_up = calculate_sentiment(names(freq_up))
sentiments_up = cbind(sentiments_up, as.data.frame(freq_up))
sent_pos_up = sentiments_up[sentiments_up$sentiment == 'Positive',]
sent_neg_up = sentiments_up[sentiments_up$sentiment == 'Negative',]

cat("We have far lower negative Sentiments: ",sum(sent_neg_up$freq_up)," than positive: ",sum(sent_pos_up$freq_up))

我們發(fā)現(xiàn)褒義詞和貶義詞的比例是5780/3238 = 1.8，乍一看電影還是受到觀眾的好評的

讓我們分別深入挖掘好拼和差評來獲取更深的理解。

– 褒義詞

下方的表格展示了被分類為好拼的文本的詞頻，我們通過datatable函數(shù)實(shí)現(xiàn)這個(gè)功能。

“love”，“best”和“brilliant”是好評中的三大高頻詞。

DT::datatable(sent_pos_up)

textsentimentfreq_upaccomplishaccomplishPositive1adaptadaptPositive2appealappealPositive4astonishastonishPositive3awardawardPositive85aweawePositive11awestruckawestruckPositive5benefitbenefitPositive1bestbestPositive580betterbetterPositive186

我們可以把這個(gè)結(jié)果用詞云進(jìn)行可視化，詞云中單詞個(gè)頭越大代表它出現(xiàn)頻率越高。

– 褒義詞詞云

layout(matrix(c(1, 2), nrow=2), heights=c(1, 4))
par(mar=rep(0, 4))
plot.new()
set.seed(100)
wordcloud(sent_pos_up$text,sent_pos_up$freq,min.freq=10,colors=brewer.pal(6,"Dark2"))

DT::datatable(sent_neg_up)

plot.new()
set.seed(100)
wordcloud(sent_neg_up$text,sent_neg_up$freq, min.freq=10,colors=brewer.pal(6, "Dark2")

# 方法2 - 使用syuzhet包
text = as.character(rangoon$text) 
## 去掉回復(fù)
some_txt<-gsub("(RT|via)((?:\\b\\w*@\\w+)+)","",text)
## 清洗html鏈接
some_txt<-gsub("http[^[:blank:]]+","",some_txt)
## 去掉人名
some_txt<-gsub("@\\w+","",some_txt)
## 去掉標(biāo)點(diǎn)
some_txt<-gsub("[[:punct:]]"," ",some_txt)
## 去掉數(shù)字
some_txt<-gsub("[^[:alnum:]]"," ",some_txt)

# 可視化
library(ggplot2)
library(syuzhet)
mysentiment<-get_nrc_sentiment((some_txt))

# 得到每種情感的得分
mysentiment.positive =sum(mysentiment$positive)
mysentiment.anger =sum(mysentiment$anger)
mysentiment.anticipation =sum(mysentiment$anticipation)
mysentiment.disgust =sum(mysentiment$disgust)
mysentiment.fear =sum(mysentiment$fear)
mysentiment.joy =sum(mysentiment$joy)
mysentiment.sadness =sum(mysentiment$sadness)
mysentiment.surprise =sum(mysentiment$surprise)
mysentiment.trust =sum(mysentiment$trust)
mysentiment.negative =sum(mysentiment$negative)

# 繪制柱狀圖
yAxis <- c(mysentiment.positive,
+ mysentiment.anger,
+ mysentiment.anticipation,
+ mysentiment.disgust,
+ mysentiment.fear,
+ mysentiment.joy,
+ mysentiment.sadness,
+ mysentiment.surprise,
+ mysentiment.trust,
+ mysentiment.negative)

xAxis <- c("Positive","Anger","Anticipation","Disgust","Fear","Joy","Sadness","Surprise","Trust","Negative")
colors <- c("green","red","blue","orange","red","green","orange","blue","green","red")
yRange <- range(0,yAxis) + 1000
barplot(yAxis, names.arg = xAxis, 
xlab = "Emotional valence", ylab = "Score", main = "Twitter sentiment for Movie Rangoon 2017", sub = "Feb 2017", col = colors, border = "black", ylim = yRange, 
xpd = F, axisnames = T, cex.axis = 0.8, cex.sub = 0.8, col.sub = "blue")
colSums(mysentiment)