-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathsentiment_analysis.py
201 lines (164 loc) · 9.16 KB
/
sentiment_analysis.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
###########################################################################################
# Univesidade Federal de Pernambuco -- UFPE (http://www.ufpe.br)
# Centro de Informatica -- CIn (http://www.cin.ufpe.br)
# Bacharelado em Sistemas de Informacao
# IF968 -- Programacao 1
#
# Autor: Eric Araujo
# Pedro Vinicius
#
# Email: eacj@cin.ufpe.br
# pvls@cin.ufpe.br
#
# Data: 2016-06-10
#
# Descricao: Este e' um modelo de arquivo para ser utilizado para a implementacao
# do projeto pratico da disciplina de Programacao 1.
# A descricao do projeto encontra-se no site da disciplina e trata-se
# de uma adaptacao do projeto disponivel em
# http://nifty.stanford.edu/2016/manley-urness-movie-review-sentiment/
# O objetivo deste projeto e' implementar um sistema de analise de
# sentimentos de comentarios de filmes postados no site Rotten Tomatoes.
#
# Licenca: The MIT License (MIT)
# Copyright(c) 2016 Eric Araujo, Pedro Vinicius.
#
###########################################################################################
import sys
import re
def clean_up(s):
''' Retorna uma versao da string 's' na qual todas as letras sao
convertidas para minusculas e caracteres de pontuacao sao removidos
de ambos os extremos. A pontuacao presente no interior da string
e' mantida intacta.
'''
punctuation = ''''!"`/\',;:.-?)([]<>*#\n\t\r'''
result = s.lower().strip(punctuation)
return result
def split_on_separators(original, separators):
''' Retorna um vetor de strings nao vazias obtido a partir da quebra
da string original em qualquer dos caracteres contidos em 'separators'.
'separtors' e' uma string formada com caracteres unicos a serem usados
como separadores. Por exemplo, '^$' e' uma string valida, indicando que
a string original sera quebrada em '^' e '$'.
'''
return filter(lambda x: x != '',re.split('[{0}]'.format(separators),original))
def stopWords(fname):
'''Pega as palavras de um arquivo de stop words e os guarda em uma lista.'''
lista = []
f = open(fname, 'r')
for termo in f.readlines():
limpa = clean_up(termo)
lista.append(limpa)
f.close()
return lista
def readTrainingSet(fname):
''' Recebe o caminho do arquivo com o conjunto de treinamento como parametro
e retorna um dicionario com triplas (palavra,freq,escore) com o escore
medio das palavras no comentarios.
'''
words = dict()
stop = stopWords('stopWords.txt') #lista de stopWords
f = open(fname, 'r')
for linha in f.readlines():
separar = list(split_on_separators(linha,' ')) #separa em palavras a linha do arquivo, e retorna uma lista com as mesmas.
score = int(separar.pop(0)) #retira o score da lista e o salva.
f.close()
for palavra in separar:
limpa = clean_up(palavra) #depois que o score e' retirado, as palavras sao limpadas pela funcao uma a uma.
if limpa != '': #se por acaso a palavra apresentar alguma restricao do clean_up, ela devolve string vazia.
for PalStop in stop: #checa se a palavra depois de limpa e nao string vazia, esta na lista de stopWords.
if PalStop == limpa: #se tiver a renomeia como string vazia e nao entra na condicao posterior.
limpa = ''
if limpa != '':
if limpa not in words: #checa se e' uma nova palavra, se for ela e' adicionada no dicionario.
freq = 1
words[limpa] = [limpa,freq,score]
else:
words[limpa][1] += 1
words[limpa][2] += score #se ela ja' existir, apenas soma a seus devidos lugares.
for elemento in words:
media = words[elemento][2]//words[elemento][1]
words[elemento] = (elemento,words[elemento][1],media) #renomeia cada conteudo das chaves do dicionario com a frequencia geral e a media dos scores inteiros.
return words
def readTestSet(fname):
''' Esta funcao le o arquivo contendo o conjunto de teste
retorna um vetor/lista de pares (escore,texto) dos
comentarios presentes no arquivo.
'''
reviews = []
f = open(fname,'r')
for linha in f.readlines(): #le as linhas, as limpa de algumas restricoes.
limpa = clean_up(linha)
palavras = [] #apenas é criado uma lista local para separar as strings e pegar o score na posicao 1.
for partes in limpa: #mesmo pegando string por string e adicionando na lista, o objetivo é pegar o score.
palavras.append(partes)
Pont = int(palavras.pop(0)) #pega o score.
reviews.append((Pont,limpa[1:])) #adiciona na lista reviews a pontuacao e o comentario e os coloca na tupla e poe na lista.
f.close()
# Implementado
return reviews
def computeSentiment(review,words):
''' Retorna o sentimento do comentario recebido como parametro.
O sentimento de um comentario e' a media dos escores de suas
palavras. Se uma palavra nao estiver no conjunto de palavras do
conjunto de treinamento, entao seu escore e' 2.
Review e' a parte textual de um comentario.
Words e' o dicionario com as palavras e seus escores medios no conjunto
de treinamento.
'''
score = 0.0
count = 0 #aqui checa o comentario e calcula a media score/count.
stop = stopWords('stopWords.txt')
if review != '':
separar = list(split_on_separators(review, ' ')) #separa.
for palavra in separar:
limpa = clean_up(palavra) #limpa.
if limpa != '': #se a funcao devolver string vazia, ela nao entra.
for PalStop in stop: #checa se a palavra esta nas stopWords, para quando chegar na proxima parte nao ir somando o desnecessario.
if PalStop == limpa:
limpa = ''
if limpa in words: #se existir, soma o score que ta salvo no dicionario na chave da palavra e soma o count.
score += words[limpa][2]
count += 1
else:
score += 2 #se nao existir, soma 2 no score, porque e' neutro.
count += 1
return score/count
def computeSumSquaredErrors(reviews, words):
''' Computa a soma dos quadrados dos erros dos comentarios recebidos
como parametro. O sentimento de um comentario e' obtido com a
funcao computeSentiment.
Reviews e' um vetor de pares (escore,texto)
Words e' um dicionario com as palavras e seus escores medios no conjunto
de treinamento.
'''
sse = 0
resultado_final = 0
for frase in reviews: #calcula o resultado final, a soma dos quadrados dos erros.
sentimento = computeSentiment(frase[1], words) #devolve o score/count.
if frase[0] != sentimento:
diferenca = frase[0] - sentimento #faz a diferenca entre a nota do comentario e o sentimento obtido da frase.
resultado = diferenca**2
resultado_final += resultado
sse = resultado_final / len(reviews)
return sse
def main():
# Os arquivos sao passados como argumentos da linha de comando para o programa
# Voce deve buscar mais informacoes sobre o funcionamento disso (e' parte do
# projeto).
# A ordem dos parametros e' a seguinte: o primeiro e' o nome do arquivo
# com o conjunto de treinamento, em seguida o arquivo do conjunto de teste.
if len(sys.argv) < 3:
print ('Numero invalido de argumentos')
print ('O programa deve ser executado como python sentiment_analysis.py <arq-treino> <arq-teste>')
sys.exit(0)
# Lendo conjunto de treinamento e computando escore das palavras
words = readTrainingSet(sys.argv[1])
# Lendo conjunto de teste
reviews = readTestSet(sys.argv[2])
# Inferindo sentimento e computando soma dos quadrados dos erros
sse = computeSumSquaredErrors(reviews,words)
print ('A soma do quadrado dos erros e\': {0}'.format(sse))
if __name__ == '__main__':
main()