基于情感特征的用戶聚類分析

任偉 劉循

【摘要】 隨著互聯(lián)網(wǎng)行業(yè)的發(fā)展，各式各樣的網(wǎng)站不斷興起，用戶在網(wǎng)上發(fā)帖留言已經(jīng)成為一種常態(tài)，對(duì)用戶的留言進(jìn)行情感分析，分析用戶的情感傾向和主觀情感已經(jīng)變得越來越流行。首先，本文用基于情感詞典的情感分析方法對(duì)用戶的情感進(jìn)行分析，為用戶的每一條回帖計(jì)算其正向情感分值和負(fù)向情感分值得以及計(jì)算其 正向情感詞數(shù)目和負(fù)向情感詞數(shù)目，最后以用戶為單位，計(jì)算均值，得到每個(gè)用戶的情感特征向量，我們根據(jù)用戶的情感特征向量，對(duì)用戶進(jìn)行聚類分析，探究用戶的行為模式有什么不同點(diǎn)和相同點(diǎn)。

關(guān)鍵字：情感分析；KMeans；聚類分析

User cluster analysis based on sentiment feature

REN - wei， LIU- xung （School of Computer， Sichuan University， Chengdu 610065， China）

Abstract： With the development of Internet，all kinds of website becomes popular，users like to leave somemessages on it.That is a good resource for us to analysis sentiment for every user.

This paper uses a dictionary-based method to analysis users sentiment.we calculate thepositive points，negative points，the number of positive word and the number of negative word for every message.then get a mean value of them as a feature vecture for every user.At last，we can use the KMeans algorithe to cluster them and analysis the way when people leave a message.

Keywords：KMeans； cluster； sentiment analysis

一、用戶情感分析

本文采用的是基于情感字典的情感分析方法.

1.1 原理

比如這么一句話：“這手機(jī)的畫面極好，操作也比較流暢。不過拍照真的太爛了！系統(tǒng)也不好。”

① 情感詞

要分析一句話是積極的還是消極的，最簡(jiǎn)單最基礎(chǔ)的方法就是找出句子里面的情感詞，積極的情感詞比如：贊，好，順手，華麗等，消極情感詞比如：差，爛，壞，坑爹等。出現(xiàn)一個(gè)積極詞就+1，出現(xiàn)一個(gè)消極詞就-1。

里面就有“好”，“流暢”兩個(gè)積極情感詞，“爛”一個(gè)消極情感詞。那它的情感分值就是1+1-1+1=2. 很明顯這個(gè)分值是不合理的，下面一步步修改它。

② 程度詞

“好”，“流暢”和‘爛“前面都有一個(gè)程度修飾詞。”極好“就比”較好“或者”好“的情感更強(qiáng)，”太爛“也比”有點(diǎn)爛“情感強(qiáng)得多。所以需要在找到情感詞后往前找一下有沒有程度修飾，并給不同的程度一個(gè)權(quán)值。比如”極“，”無比“，”太“就要把情感分值*4，”較“，”還算“就情感分值*2，”只算“，”僅僅“這些就*0.5了。那么這句話的情感分值就是：4*1+1*2-1*4+1=3

③ 感嘆號(hào)

可以發(fā)現(xiàn)太爛了后面有感嘆號(hào)，嘆號(hào)意味著情感強(qiáng)烈。因此發(fā)現(xiàn)嘆號(hào)可以為情感值+2. 那么這句話的情感分值就變成了：4*1+1*2-1*4-2+1 = 1

④ 否定詞

明眼人一眼就看出最后面那個(gè)”好“并不是表示”好“，因?yàn)榍懊孢€有一個(gè)”不“字。所以在找到情感詞的時(shí)候，需要往前找否定詞。比如”不“，”不能“這些詞。而且還要數(shù)這些否定詞出現(xiàn)的次數(shù)，如果是單數(shù)，情感分值就*-1，但如果是偶數(shù)，那情感就沒有反轉(zhuǎn)，還是*1。在這句話里面，可以看出”好“前面只有一個(gè)”不“，所以”好“的情感值應(yīng)該反轉(zhuǎn)，*-1。

因此這句話的準(zhǔn)確情感分值是：4*1+1*2-1*4-2+1*-1 =-1

⑤ 積極和消極分開來

再接下來，很明顯就可以看出，這句話里面有褒有貶，不能用一個(gè)分值來表示它的情感傾向。而且這個(gè)權(quán)值的設(shè)置也會(huì)影響最終的情感分值，敏感度太高了。因此對(duì)這句話的最終的正確的處理，是得出這句話的一個(gè)積極分值，一個(gè)消極分值（這樣消極分值也是正數(shù)，無需使用負(fù)數(shù)了）。它們同時(shí)代表了這句話的情感傾向。所以這句評(píng)論應(yīng)該是”積極分值：6，消極分值：7“

⑥ 以分句的情感為基礎(chǔ)

再仔細(xì)一步，詳細(xì)一點(diǎn)，一條評(píng)論的情感分值是由不同的分句加起來的，因此要得到一條評(píng)論的情感分值，就要先計(jì)算出評(píng)論中每個(gè)句子的情感分值。這條例子評(píng)論有四個(gè)分句，因此其結(jié)構(gòu)如下（[積極分值， 消極分值]）：[[4， 0]， [2， 0]， [0， 6]， [0， 1]]

以上就是使用情感詞典來進(jìn)行情感分析的主要流程了，算法的設(shè)計(jì)也會(huì)按照這個(gè)思路來實(shí)現(xiàn)。

1.2 算法設(shè)計(jì)

第一步：讀取評(píng)論數(shù)據(jù)，對(duì)評(píng)論進(jìn)行分句。

第二步：查找對(duì)分句的情感詞，記錄積極還是消極，以及位置。

第三步：往情感詞前查找程度詞，找到就停止搜尋。為程度詞設(shè)權(quán)值，乘以情感值。

第四步：往情感詞前查找否定詞，找完全部否定詞，若數(shù)量為奇數(shù)，乘以-1，若為偶數(shù)，乘以1。

第五步：判斷分句結(jié)尾是否有感嘆號(hào)，有嘆號(hào)則往前尋找情感詞，有則相應(yīng)的情感值+2。

第六步：計(jì)算完一條評(píng)論所有分句的情感值，用數(shù)組（list）記錄起來。

第七步：計(jì)算并記錄所有評(píng)論的積極情感值，消極情感值，積極情感詞個(gè)數(shù)，消極情感詞個(gè)數(shù)。

二、構(gòu)建用戶情感特征向量

通過上一節(jié)的工作 我們得到了每個(gè)用戶每條的回帖的情感特征向量，即[正向情感得分，負(fù)向情感得分，正向情感詞數(shù)目，負(fù)向情感詞數(shù)目]，通過每條發(fā)言的情感特征，我們可以構(gòu)建用戶的整體情感特征，分別計(jì)算用戶的正向情感均值、負(fù)向情感均值，正向情感方差，負(fù)向情感方差，正向情感詞平均數(shù)，負(fù)向情感詞平均數(shù)，用戶的整體情感特征有助于我們對(duì)用戶的情感進(jìn)行分析，比如均值代表了正向情感或者負(fù)向情感的大致水平，而方差則表示了用戶情感水平的波動(dòng)情況，方差越大，表明用戶的情感變化范圍較大，而正向情感詞平均數(shù)和負(fù)向情感詞平均數(shù)則需要配合情感均值來使用，若是 負(fù)向情感詞平均數(shù) 或者 正向情感詞平均數(shù) 很高 但是 正向情感均值 和 負(fù)向情感均值 缺不高 說明在情感詞時(shí)用了很多否定詞，說明在表達(dá)情感時(shí)比較委婉。反之 若正向情感均值或負(fù)向情感均值 比較高 同時(shí) 正向情感詞平均數(shù) 與負(fù)向情感詞平均數(shù)也比較高 則說明在表達(dá)情感時(shí)顯得比較直接。

三、用戶情感特征分析

我們對(duì)100位用戶的情感特征向量進(jìn)行進(jìn)行分析，首先進(jìn)行相關(guān)性分析，我們利用皮爾遜相關(guān)系數(shù) 來計(jì)算各個(gè)變量之間的相關(guān)性。首先對(duì)每一列數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理 即每一列的數(shù)據(jù)減去該列的均值同時(shí)除以標(biāo)準(zhǔn)差 公式如下

X*=（x-e（x））/sd（x）

然后采用協(xié)方差公式進(jìn)行相關(guān)系數(shù)的計(jì)算

R（x，y）=cor（x*，y*）=x.y

從相關(guān)系數(shù)矩陣中我們可以看出，正向情感得分和正向情感詞數(shù)目，負(fù)向情感得分和負(fù)向情感次數(shù)目 ，正向情感詞數(shù)目 和負(fù)向情感詞數(shù)據(jù) 具有最想的想關(guān)性，但是 跟據(jù)我們的算法 正向情感得分 就是 根據(jù) 正向情感詞數(shù)據(jù)而來的 除非情感詞前面加了否定詞 此時(shí) 說話的語氣會(huì)變得較為委婉無法揣測(cè)真是的情感 如 語句“他成績(jī)不好” 這句話是直接方式的負(fù)向情感的表達(dá) 如果改為 好 還是 成績(jī)還可以呢，所以 此時(shí) 不管是負(fù)向情感得分 還是負(fù)向情感得分 都為0.但是在情感詞數(shù)據(jù)上 則不為0，這說明用戶在說話習(xí)慣上產(chǎn)生了不同，有的人說話比較直接，有人說話比較為委婉，所以我們變換特征向量，即讓用戶情感特征向量的第一列除以第三列，第二列除以第四列，我們將新的特征向量的第一列命名為 正向情感直接系數(shù)，第二列命名為負(fù)向情感直接系數(shù)，情感直接系數(shù)反應(yīng)了用戶說話的直接程度，越高 說明用戶說話約直接。接下來我們用KMeans聚類算法 對(duì)用戶進(jìn)行聚類，以此來驗(yàn)證我們的想法。在使用KMeas 之前 我們首先用散點(diǎn)圖 來對(duì)數(shù)據(jù)點(diǎn)的分布進(jìn)行觀察。

從圖1中可以看出 數(shù)據(jù)點(diǎn)的分布近似橢圓形，適合用KMeans算法對(duì)數(shù)據(jù)點(diǎn)進(jìn)行聚類（因?yàn)槲覀兪褂脷W式距離來對(duì)數(shù)據(jù)點(diǎn)之間的距離進(jìn)行度量）。同時(shí)有非常明顯的2個(gè)聚類中心，所以在使用KMeans算法時(shí) 我們將聚類的數(shù)目定義為2[1]。

我們不對(duì)數(shù)據(jù)進(jìn)行任何預(yù)處理的工作，直接對(duì)數(shù)據(jù)進(jìn)行聚類，聚類效果如下圖所示。

我們發(fā)現(xiàn)數(shù)據(jù)點(diǎn)被分成了2個(gè)類，Y軸坐標(biāo)比較大的分為了一類，Y軸坐標(biāo)比較小的分為了一類，這是因?yàn)閿?shù)據(jù)點(diǎn)的Y軸坐標(biāo)范圍比X軸范圍大得多，而KMeans算法采用歐式距離來度量數(shù)據(jù)點(diǎn)之間的差異性，而由于Y軸坐標(biāo)的范圍比X軸大的多，所思數(shù)據(jù)點(diǎn)之間的差異主要由Y軸坐標(biāo)決定，所以分類超平面就會(huì)垂直于Y軸。這樣的聚類效果 顯然不是我們想要的。為了使得X軸和Y軸有相同的均值和方差，我們需要對(duì)數(shù)據(jù)繼續(xù)標(biāo)準(zhǔn)化處理，這樣樣本點(diǎn)在X軸和Y軸上的均值都將變?yōu)?，方差變?yōu)?[2]。

對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理后 我們用散點(diǎn)圖來看下聚類的效果。

可以看到數(shù)據(jù)被分成了2類，我們對(duì)每一類球均值，可以發(fā)現(xiàn) 第一類的均值向量為（0.269，0.59） 第二類的均值向量為（1.16，1.01） 第二類的情感直接系數(shù)比第一類大了許多，說明第一類人說話較為婉轉(zhuǎn)，第二類的人說話則更為直接。

四、結(jié)論以及進(jìn)一步的工作

我們通過對(duì)用戶的網(wǎng)絡(luò)留言數(shù)據(jù)進(jìn)行情感分析，得到用戶的情感特征向量，

通過用戶的情感特征向量，對(duì)用戶進(jìn)行聚類分析，通過聚類分析，得到用戶的說話的行為習(xí)慣。但是本文有些地方做的還是不夠細(xì)致。

1、在得到用戶的情感得分矩陣中，我們使用了基于字典的情感分析方法，對(duì)用戶的情感進(jìn)行打分，但是在具體的算法上 顯得較為粗糙，沒有結(jié)合客觀情況進(jìn)行深入分析，如“科比的球技不太好”，這句話利用我們的情感分析算法，得到的情感得分為0，但是這句話其實(shí)表達(dá)了一種負(fù)向情感，因?yàn)檎媸乔闆r是科比的球技很好，所以這句話表達(dá)的應(yīng)該是負(fù)向情感。

2、特征較少，沒有進(jìn)行更深入的特征工程構(gòu)建，只是對(duì)用戶說話的直接與否進(jìn)行對(duì)用戶進(jìn)行分類，所使用的特征有限，應(yīng)該更加深入構(gòu)建用戶的情感特征。

參 考 文 獻(xiàn)

[1]Christopher Bishop.Pattern Recognition and Machine Learning[M].Americn：spring er，2007-10-1.548-662.

[2]Trent Hauck.Sklearn-coobook[M].England：packer publishing，2014-11-4.66-78.