[PYTHON] Ich habe versucht, die Negativität von Nono Morikubo zu analysieren. [Vergleiche mit Posipa]

Schauen Sie sich diesen Artikel an und finden Sie heraus, was als COTOHA API bezeichnet wird. , Es sah interessant aus und ich beschloss, es zu berühren. Dieses Mal habe ich COTOHA API verwendet, um die Negativität von Nono Morikubo zu analysieren.

Umgebung

Was ist die COTOHA-API?

Es ist eine API, die leicht natürliche Sprache und Sprache verarbeiten kann. Beispielsweise können Syntaxanalyse und Spracherkennung durchgeführt werden. Bereitgestellt von NTT Communications.

Was ist Morikubo Nono?

Idol Master Eines der Idole, das in Cinderella Girls, einem 14-jährigen Mädchen, vorkommt. Das Haus ist unter dem Schreibtisch, und manchmal rennt er vor dem Produzenten davon und arbeitet manchmal hart als Idol. Normalerweise macht sie viele negative Bemerkungen: "Ich bin ...", aber ich versuche zu überprüfen, wie negativ es ist.

Emotionsanalyse

Klicken Sie hier für die Verwendung Bitte beachten Sie, dass es für den freien Frame eine Obergrenze von 1000 Anrufen pro Tag gibt.

Beispiel

Zum Beispiel die anfängliche N-Karte "Ah ... Mmm ... ich bin Morikubo ... Ah, ja, ich bin Nono Morikubo, aber der Produzent tut mir plötzlich leid, aber ich denke darüber nach, als Idol aufzuhören ... Ah, Das…" Wenn Sie die Emotionen dieser Linie mit der COTOHA-API analysieren, erhalten Sie die folgenden Ergebnisse.

{'result': {'sentiment': 'Negative', 'score': 0.48786837208987766, 'emotional_phrase': [{'form': 'Es tut mir Leid', 'emotion': 'N'}]}, 'status': 0, 'message': 'OK'}

Da score im Bereich von 0 bis 1 liegt, kann diese Linie als ** mäßig negativ ** bezeichnet werden. Es gibt drei Arten von Emotionen: "Positiv", "Neutral" und "Negativ".

Trainieren

Code

Es ist in Github aufgeführt.

Ergebnis

Gesamtzahl der Zeilen: 410 Nur einer von ihnen hatte "positive / negative" Emotionen, daher wird dies nicht in die Berechnung einbezogen.

Gefühle Anzahl Prozentsatz Durchschnittliche Punktzahl Grad
Positive 135 mal 33% 0.428 0.141
Neutral 215 mal 52% 0.342 0.179
Negative 59 mal 14% 0.551 0.079

Die durchschnittliche Punktzahl von Negativ ist höher als bei anderen, aber sie ist weniger häufig, weil sie weniger häufig ist. Es war ein wenig überraschendes Ergebnis, aber man kann sagen, dass sie seit den frühen Tagen aufgewachsen ist. Wenn ich Emotionen nur mit den Anfangskarten analysierte, waren die Ergebnisse tatsächlich wie folgt.

Gesamtzahl der Zeilen: 25

Gefühle Anzahl Prozentsatz Durchschnittliche Punktzahl Grad
Positive 6 mal 24% 0.358 0.086
Neutral 12 mal 48% 0.380 0.183
Negative 7 mal 28% 0.580 0.163

Vergleich

Da es einige Teile gibt, die nicht allein anhand des Ergebnisses einer Person bewertet werden können, werde ich sie mit anderen Idolen vergleichen. Dieses Mal habe ich beschlossen, die positive Leidenschaft emotional zu analysieren. Positive Leidenschaft ist der Name einer Einheit, die aus Mio Honda, Akane Hino und Aiko Takamori besteht. Wenn sie positiv und leidenschaftlich sind, werden sich die Ergebnisse sicherlich ändern.

Honda Mio

Gesamtzahl der Zeilen: 476

Gefühle Anzahl Prozentsatz Durchschnittliche Punktzahl Grad
Positive 199 mal 41.8% 0.462 0.193
Neutral 265 mal 55.7% 0.421 0.234
Negative 12 mal 2.5% 0.442 0.011

Akane Hino

Gesamtzahl der Zeilen: 409

Gefühle Anzahl Prozentsatz Durchschnittliche Punktzahl Grad
Positive 154 mal 37.7% 0.425 0.160
Neutral 228 mal 55.7% 0.438 0.244
Negative 27 mal 6.6% 0.394 0.026

Aiko Takamori

Gesamtzahl der Zeilen: 457 Nur einer von ihnen hatte "positive / negative" Emotionen, daher wird dies nicht in die Berechnung einbezogen.

Gefühle Anzahl Prozentsatz Durchschnittliche Punktzahl Grad
Positive 263 mal 57.5% 0.464 0.267
Neutral 172 mal 37.6% 0.399 0.150
Negative 21 mal 4.6% 0.478 0.022

Im Vergleich zur vorherigen Zeit hatten alle drei niedrigere Negative und höhere Positive. Selbst wenn Sie sich nur die Anzahl ansehen, können Sie feststellen, dass es nur wenige negative Bemerkungen gibt. Wie erwartet, Posipa.

Das Folgende ist eine Zusammenfassung des Abschlusses.

Name Positiver Grad Neutraler Grad Negativer Grad
Morikubo Nono 0.141 0.179 0.079
Honda Mio 0.193 0.234 0.011
Akane Hino 0.160 0.244 0.026
Aiko Takamori 0.267 0.150 0.022

Wenn man es so betrachtet, fühlt es sich so an, als gäbe es einen sichtbaren Unterschied. Es war überraschend, dass Aiko den höchsten Grad an Positivität hatte ... Nun, es kann sein, dass die Ziellinien begrenzt waren.

Es wäre interessant, die diesmal erhaltenen Daten mit anderen Methoden zu analysieren, daher würde ich es gerne noch einmal versuchen, wenn ich die Gelegenheit dazu habe.

Zusammenfassung

Morikubo Nono war zwar negativ, aber er wächst mehr als zuvor Morikubo!

Recommended Posts

Ich habe versucht, die Negativität von Nono Morikubo zu analysieren. [Vergleiche mit Posipa]
Ich habe versucht, die Entropie des Bildes mit Python zu finden
Ich habe versucht, mit TensorFlow den Durchschnitt mehrerer Spalten zu ermitteln
Ich habe versucht, die Verarbeitungsgeschwindigkeit mit dplyr von R und pandas von Python zu vergleichen
Ich habe versucht, die Größe des logischen Volumes mit LVM zu erweitern
Ich habe versucht, die Effizienz der täglichen Arbeit mit Python zu verbessern
Ich habe versucht, die Daten des Fußballturniers der FIFA Fussball-Weltmeisterschaft Russland mit Fußball zu analysieren
Ich habe Web Scraping versucht, um die Texte zu analysieren.
Ich habe versucht, die Daten mit Zwietracht zu speichern
Ich habe versucht, den Authentifizierungscode der Qiita-API mit Python abzurufen.
Ich habe versucht, die Bewegungen von Wiire-Playern automatisch mit Software zu extrahieren
(Python) Ich habe versucht, 1 Million Hände zu analysieren ~ Ich habe versucht, die Anzahl der AA ~ zu schätzen
Ich habe versucht, die Beschleunigung von Python durch Cython zu verifizieren und zu analysieren
Qiita Job Ich habe versucht, den Job zu analysieren
Ich habe versucht, die Standardrolle neuer Mitarbeiter mit Python zu optimieren
Ich habe versucht, den Text des Romans "Wetterkind" mit Word Cloud zu visualisieren
Ich habe versucht, die Filminformationen der TMDb-API mit Python abzurufen
Ich habe versucht, das Verhalten des neuen Koronavirus mit dem SEIR-Modell vorherzusagen.
Ich habe versucht, die Texte von Hinatazaka 46 zu vektorisieren!
Ich habe versucht, die Tweets von JAWS DAYS 2017 mit Python + ELK einfach zu visualisieren
Die Geschichte von soracom_exporter (Ich habe versucht, SORACOM Air mit Prometheus zu überwachen)
Ich habe versucht, ein Modell mit dem Beispiel von Amazon SageMaker Autopilot zu erstellen
Ich habe versucht, die Literatur des neuen Corona-Virus mit Python automatisch an LINE zu senden
Ich habe versucht, die Sündenfunktion mit Chainer zu trainieren
Ich habe versucht, Funktionen mit SIFT von OpenCV zu extrahieren
Ich habe versucht, die Grundform von GPLVM zusammenzufassen
Ich habe versucht, eine CSV-Datei mit Python zu berühren
Ich habe versucht, die Spacha-Informationen von VTuber zu visualisieren
Ich habe versucht, den negativen Teil von Meros zu löschen
Ich habe versucht, das Problem mit Python Vol.1 zu lösen
Ich habe versucht, die Stimmen der Sprecher zu klassifizieren
Ich habe versucht, die String-Operationen von Python zusammenzufassen
Ich habe versucht, die Genauigkeit der japanischen BERT- und der japanischen Distil-BERT-Satzklassifizierung mit PyTorch & Einführung der BERT-Technik zur Verbesserung der Genauigkeit zu vergleichen
[Python & SQLite] Ich habe den erwarteten Wert eines Rennens mit Pferden im 1x-Gewinnbereich ① analysiert
Ich habe versucht, mit dem Seq2Seq-Modell von TensorFlow so etwas wie einen Chatbot zu erstellen
Ich habe versucht, das Artikel-Update des Livedoor-Blogs mit Python und Selen zu automatisieren.
Ich habe versucht, die Eigenschaften der neuen Informationen über mit dem Corona-Virus infizierte Personen mit Wordcloud zu visualisieren
Ich habe versucht, die Laufdaten des Rennspiels (Assetto Corsa) mit Plotly zu visualisieren
Beim 15. Offline-Echtzeitversuch habe ich versucht, das Problem des Schreibens mit Python zu lösen
[Pferderennen] Ich habe versucht, die Stärke des Rennpferdes zu quantifizieren
Ich habe versucht, das Bild mit Python + OpenCV "gammakorrektur" zu machen
Ich habe versucht zu simulieren, wie sich die Infektion mit Python ausbreitet
Ich habe versucht, die Standortinformationen des Odakyu-Busses zu erhalten
Ich habe versucht, die Zugverspätungsinformationen mit LINE Notify zu benachrichtigen
[Maschinelles Lernen] Ich habe versucht, die Theorie von Adaboost zusammenzufassen
Ich habe versucht, das lokale Minimum der Goldstein-Preis-Funktion zu bekämpfen
Ich habe Python satt, also habe ich versucht, die Daten mit nehan zu analysieren (ich möchte sogar mit Corona live gehen) - Teil 2)
Ich habe Python satt, also habe ich versucht, die Daten mit nehan zu analysieren (ich möchte sogar mit Corona live gehen) - Teil 1)
Ich habe versucht, die Punktgruppendaten-DB der Präfektur Shizuoka mit Vue + Leaflet anzuzeigen
Ich habe versucht, zum Zeitpunkt der Bereitstellung mit Fabric und ChatWork Api automatisch in ChatWork zu posten
Ich habe versucht, den WEB-Server der normalen Linux-Programmierung 1st Edition mit C ++ 14 neu zu schreiben
Ich habe versucht, das Problem von F02 zu lösen, wie man mit Python offline in Echtzeit schreibt
Ich habe versucht, den Stromverbrauch meines Hauses mit Nature Remo E lite zu visualisieren
Ich habe versucht, die Genauigkeit von Modellen für maschinelles Lernen mit Kaggle als Thema zu vergleichen.
Ich schrieb einen Test in "Ich habe versucht, die Wahrscheinlichkeit eines Bingospiels mit Python zu simulieren".