Die Stimmungsanalyse ist der Prozess der "rechnerischen" Bestimmung, ob eine Schrift positiv, negativ oder neutral ist. Es ist auch als Opinion Mining bekannt und leitet die Meinung oder Haltung eines Sprechers ab.

Warum Stimmungsanalyse?

  • Geschäft: Im Marketingbereich entwickeln Unternehmen damit ihre Strategien, verstehen die Gefühle der Kunden gegenüber Produkten oder Marken, wie Menschen auf ihre Kampagnen oder Produkteinführungen reagieren und warum Verbraucher bestimmte Produkte nicht kaufen.
  • Politik: Im politischen Bereich wird es verwendet, um die politische Sichtweise im Auge zu behalten und Konsistenz und Inkonsistenz zwischen Aussagen und Handlungen auf Regierungsebene festzustellen. Es kann auch verwendet werden, um Wahlergebnisse vorherzusagen! .
  • Öffentliche Aktionen: Die Stimmungsanalyse wird auch verwendet, um soziale Phänomene zu überwachen und zu analysieren, um potenziell gefährliche Situationen zu erkennen und die allgemeine Stimmung der Blogosphäre zu bestimmen.

Befehl zum Installieren von vaderSentiment :

pip install vaderSentiment

 
VADER-Stimmungsanalyse:

VADER (Valence Aware Dictionary und sEntiment Reasoner) ist ein Lexikon und ein regelbasiertes Tool zur Stimmungsanalyse, das speziell auf die in sozialen Medien zum Ausdruck gebrachten Gefühle abgestimmt ist. VADERverwendet eine Kombination aus Ein Stimmungslexikon ist eine Liste von lexikalischen Merkmalen (z. B. Wörtern), die im Allgemeinen entsprechend ihrer semantischen Ausrichtung entweder als positiv oder negativ gekennzeichnet sind. VADERerzählt nicht nur über den Positivitäts- und Negativitätswert, sondern auch darüber, wie positiv oder negativ ein Gefühl ist.



Unten ist der Code: 

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer 
  
def sentiment_scores(sentence): 
  
    
    sid_obj = SentimentIntensityAnalyzer() 
  
    
    
    
    sentiment_dict = sid_obj.polarity_scores(sentence) 
      
    print("Overall sentiment dictionary is : ", sentiment_dict) 
    print("sentence was rated as ", sentiment_dict['neg']*100, "% Negative") 
    print("sentence was rated as ", sentiment_dict['neu']*100, "% Neutral") 
    print("sentence was rated as ", sentiment_dict['pos']*100, "% Positive") 
  
    print("Sentence Overall Rated As", end = " ") 
  
    
    if sentiment_dict['compound'] >= 0.05 : 
        print("Positive") 
  
    elif sentiment_dict['compound'] <= - 0.05 : 
        print("Negative") 
  
    else : 
        print("Neutral") 
  
  
    
if __name__ == "__main__" : 
  
    print("\n1st statement :") 
    sentence = "Geeks For Geeks is the best portal for \ 
                the computer science engineering students." 
  
    
    sentiment_scores(sentence) 
  
    print("\n2nd Statement :") 
    sentence = "study is going on as usual"
    sentiment_scores(sentence) 
  
    print("\n3rd Statement :") 
    sentence = "I am vey sad today."
    sentiment_scores(sentence)

Ausgabe :

Der zusammengesetzte Score ist eine Metrik, die die Summe aller Lexikonbewertungen berechnet, die zwischen -1 (extremstes Negativ) und +1 (extremstes Positiv) normalisiert wurden.

positive Stimmung: (zusammengesetzte Punktzahl> = 0,05)
neutrale Stimmung: (zusammengesetzte Punktzahl> -0,05) und (zusammengesetzte Punktzahl <0,05)
negative Stimmung: (zusammengesetzte Punktzahl <= -0,05)