全文链接：http://tecdat.cn/?p=31702

原文出处：拓端数据部落公众号

情感分析，就是根据一段文本，分析其表达情感的技术。比较简单的情感分析，能够辨别文本内容是积极的还是消极的（褒义/贬义）；比较复杂的情感分析，能够知道这些文字是否流露出恐惧、生气、狂喜等细致入微的情感。此外，情感的二元特性还可以表达为是否含有较大的感情波动。也就是说，狂喜和暴怒都属于感情波动，而宠辱不惊则属于稳定的情感状态。

研究目的

本文基于R语言的自然语言处理技术，针对企业的财务信息、产品质量等文本信息，帮助客户对企业和产品进行情感分析和情感分类，并将这些数据可视化呈现。本文选择了A股上市公司相关数据，通过构建R语言的文本情感分析模型对文本情感进行分析，并以此为基础对企业进行情感分类。   附件说明：其中基础词典是要通过文本挖掘的结果扩展的词典了，也是研究的主要目的（分词的时候可以用到）；

语料库资源是要进行文本挖掘的数据源。

研究的目的就是在文本分析结果的基础上扩展用户词典，这些需要在文本挖掘的基础上进行扩展。其中语料库一共是10个文件，需要的是一个文件出一个结果。最后是要对比这10个文件的。还有就是语料库是pdf格式。

出现的结果应该是类似这种的：

中文财务关键词05年06年07年08年负面词184107  正面词4866  不确定词2219  诉权词5731

读取词库数据

Litigious=read.table("Litigious Words.txt")  Strong=read.table("Modal Words Strong.txt")  Weak=read.table("Modal Words Weak .txt")  Positive=read.table("Positive Words.txt")  Uncertainty=read.table("Uncertainty Words.txt")  Negative=read.table("Negative Words .txt")

文本清理和分词

qrxdata=gsub("\n","",qrxdata)  words= lapply(X=qrxdata, FUN=segmentCN) ;

初始化统计结果

x=words  pwords=positive  nwords=negative  Litigious=Litigious  Strong=Strong  Weak=Weak  Uncertainty=Uncertainty      npwords=0  nnwords=0  nLitigious=0  nStrong=0  nWeak=0  nUncertainty=0emotionType <-numeric(0)   xLen <-length(x)   emotionType[1:xLen]<- 0   index <- 1

词法分析

词法分析。它的原理非常简单，事前需要定义一个情感词典。比如“喜欢”这个词我们定义为1分。那么“我喜欢你”这句话，“我”和“你”都是中性词，均为0分，“喜欢”为1分，这句话的总分就是1分。“我喜欢你，但讨厌他”，这样一句话中有“讨厌”这个词，在情感词典中分数为“-1”，那么整句话的得分就是0。这样，我们就可以对每一个文本进行分词，然后使用内连接（inner join）来提取其中的情感词语，并根据情感词语的得分，来评估这段文本的情感得分。

for(index in 1: xLen){     x[[index]]=unique(x[[index]])     yLen <-length(x[[index]])     index2 <- 1    for(index2 in 1 :yLen){       if(length(pwords[pwords==x[[index]][index2]]) >= 1){         i=pwords[pwords==x[[index]][index2]]         npwords=npwords+length(pwords[pwords==x[[index]][index2]])         if(length(i)==0)next;         duanluo=substr(qrxdata[index],regexpr(i,qrxdata[index])[1]-20,regexpr(i,qrxdata[index])[1]+20)         if(regexpr(i,duanluo)[1]<0 )next;         cat(studentID,"\t",i," \t","DOC",index,"\t ","pos"," \t",duanluo," \t",length(pwords[pwords==x[[index]][index2]])/length(x[[index]])," \

按年份和词性分类汇总成表格

1=data.frame("正面词"=npwords,"负面词"=nnwords,"不确定词"=nUncertainty,"诉权词"=nLitigious,                   "强语气词"=nStrong,"弱语气词"=nWeak)      =rbind(,1)      

ggplot可视化

将每个文档的词性输出，并按照词性和年份绘制变化趋势：

最受欢迎的见解

1.Python主题建模LDA模型、t-SNE 降维聚类、词云可视化文本挖掘新闻组

2.R语言文本挖掘、情感分析和可视化哈利波特小说文本数据

3.r语言文本挖掘tf-idf主题建模，情感分析n-gram建模研究

4.游记数据感知旅游目的地形象

5.疫情下的新闻数据观察

6.python主题lda建模和t-sne可视化

7.r语言中对文本数据进行主题模型topic-modeling分析

8.主题模型：数据聆听人民网留言板的那些“网事”

9.python爬虫进行web抓取lda主题语义数据分析