[PYTHON] Analyse des émotions par SMS avec ML-Ask

Chao …… †

Cette fois, je voudrais vous présenter Emotion Analysis Library ML-Ask.

Ce que ML-Ask peut faire

Estimer les émotions

Par pattern matching avec un dictionnaire de 2 100 mots, nous estimons 10 types d'émotions: {joie, colère, tristesse, peur, honte, bonté, jalousie, 昂, bon marché, surprise}. On dit que ces 2 100 mots sont basés sur le Dictionnaire d'expression émotionnelle.

Force émotionnelle

Estimez la force des émotions par le nombre d'interphrases, de mimiques, de mots bâclés, d'emblèmes et de "!" Et "?".

Classification négative / positive

Sur la base des émotions estimées, nous classons les phrases en trois types: {négatif, positif et neutre}.

Considérations contextuelles

En nous basant sur le concept de Contextual Valence Shifters (CVS), nous faisons une estimation émotionnelle contextuelle. Par exemple, dans le cas de la phrase «je n'aime pas ça», «je l'aime» est refusé, donc je l'aime. Je présume que c'est le sentiment opposé, "je suis désolé".

S'il est actif

Classez si une phrase est {ACTIVE, NEUTRE, PASSIVE} en fonction des sentiments estimés. Par exemple, "昂" est ACTIVE et "Sorrow" est PASSIF.

Implémentation ML-Ask Python

Il prend en charge les séries Python 2 et 3.

Dépôt de développement

https://github.com/ikegami-yukino/pymlask Contributions are welcome!

Installation

pip install pymlask

• Ne fonctionne pas sans MeCab

Comment utiliser

from mlask import MLAsk
emotion_analyzer = MLAsk()
emotion_analyzer.analyze('Je ne le déteste pas!(;´Д`)')
# => {'text': 'Je ne le déteste pas!(;´Д`)',
#     'emotion': defaultdict(<class 'list'>,{'yorokobi': ['Haine*CVS'], 'suki': ['Haine*CVS'], 'iya': ['Ne pas aimer']}),
#     'orientation': 'mostly_POSITIVE',
#     'activation': 'ACTIVE',
#     'emoticon': ['(;´Д`)'],
#     'intension': 2,
#     'intensifier': {'exclamation': ['！'], 'emotikony': ['(;´Д`)']},
#     'representative': ('yorokobi', ['Haine*CVS'])
#     }