Как получить оценку субъективности текста в НЛТК? - PullRequest
Новая
       56

Как получить оценку субъективности текста в НЛТК?

2 голосов
/ 23 апреля 2020

Мне нужен метод в NLTK, который вычисляет оценку (действительное число) субъективности текста. Есть ли что-нибудь подобное в NLTK? 

some_magic_method(my_text):
    ...

# 0.34

1 Ответ

0 голосов
/ 23 апреля 2020

Простой поиск Google дает https://www.nltk.org/api/nltk.sentiment.html, который имеет предиктор субъективности. Это в контексте настроений, если вы смотрите на что-то оторванное от этого, вы можете взглянуть на набор данных Pang and Lee 2004. Используя простой векторизованный SVM, я получил точность 90%. Вот фрагмент кода, определяющий класс (из моего GitHub), если вы хотите весь код, я могу предоставить больше. 

class ObjectivityDetector():
    '''SVM predicts the objectivity/subjectivity of a sentence. Trained on pang/lee 2004 with NER removal. Pre-grid searched and 5 fold validated and has a 90% accuracy and 0.89 F1 macro'''
    def __init__(self,train,model_file=None):
        self.pipeline = Pipeline(
            [
                ('vect', CountVectorizer()),
                ('tfidf', TfidfTransformer()),
                ('clf', CalibratedClassifierCV( #calibrated CV wrapping SGD to get probability outputs
                        SGDClassifier(
                        loss='hinge',
                        penalty='l2',
                        alpha=1e-4,
                        max_iter=1000,
                        learning_rate='optimal',
                        tol=None,),
                    cv=5)),
            ]
        )
        self.train(train)

    def train(self,train):
        learner = self.pipeline.fit(train['text'],train['truth'])
        self.learner = learner

    def predict(self,test):
        predicted = self.learner.predict(test)
        probs = self.learner.predict_proba(test)
        certainty = certainty_(probs)
        return predicted,certainty

    def score(self,predicted,test):
        acc = accuracy_score(test['truth'].to_numpy(),predicted[0])*100
        f1 = f1_score(test['truth'].to_numpy(),predicted[0], average='macro')
        print("Accuracy: {}\nMacro F1-score: {}".format(acc, f1))
        return acc,f1
...