微博评论情感分析代码实现

微博评论情感分析可以使用机器学习和自然语言处理技术，以下是一个简单的代码实现示例：

1. 数据收集

首先需要通过微博 API 获取指定微博的评论数据，可以使用 Python 的 requests 库发送 GET 请求并解析 JSON 数据。

import requests

# 获取指定微博的评论数据
url = 'https://api.weibo.com/2/comments/show.json'
params = {
    'access_token': 'your-access-token',
    'id': 'weibo-id',
    'count': 200  # 每次获取200条评论
}
comments = []
while True:
    response = requests.get(url, params=params)
    data = response.json()
    if not data['comments']:
        break
    comments.extend(data['comments'])
    params['max_id'] = comments[-1]['id'] - 1  # 下一页评论的起始ID

2. 数据预处理

对获取的评论数据进行清洗并提取特征，可以使用 jieba 分词库对评论进行分词，然后过滤掉停用词和无意义的符号。

import jieba
import re

# 加载停用词表
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    stopwords = set([word.strip() for word in f])

# 分词并过滤停用词和符号
def preprocess_comment(comment):
    words = jieba.cut(comment['text'])
    words = [word for word in words if re.match('[\w]+', word) and word not in stopwords]
    comment['words'] = words
    return comment

comments = [preprocess_comment(comment) for comment in comments]

3. 特征工程

将评论转换为数字特征表示，可以使用词袋模型把评论中的词语映射到一个固定大小的向量空间中。

from sklearn.feature_extraction.text import CountVectorizer

# 构建词袋模型
vectorizer = CountVectorizer()
corpus = [' '.join(comment['words']) for comment in comments]
X = vectorizer.fit_transform(corpus)

4. 模型训练

使用机器学习算法训练情感分类模型，可以使用常见的分类算法如朴素贝叶斯或支持向量机。

from sklearn.naive_bayes import MultinomialNB
from sklearn.model_selection import train_test_split

# 划分训练集和测试集
y = [comment['sentiment'] for comment in comments]
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练朴素贝叶斯模型
model = MultinomialNB()
model.fit(X_train, y_train)

5. 模型评估

使用测试集评估模型效果，可以使用准确率、召回率、F1 值等指标进行评估。

from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score

# 在测试集上评估模型效果
y_pred = model.predict(X_test)
print('Accuracy:', accuracy_score(y_test, y_pred))
print('Precision:', precision_score(y_test, y_pred, average='macro'))
print('Recall:', recall_score(y_test, y_pred, average='macro'))
print('F1 score:', f1_score(y_test, y_pred, average='macro'))

6. 情感分析

使用训练好的模型对新评论进行情感分类。

# 对新评论进行情感分析
def predict_sentiment(comment):
    words = preprocess_comment(comment)['words']
    X_new = vectorizer.transform([' '.join(words)])
    sentiment = model.predict(X_new)[0]
    return sentiment

new_comment = {'text': '这个电影太好看了，推荐给大家！'}
sentiment = predict_sentiment(new_comment)
print('Sentiment:', sentiment)

以上是一个简单的微博评论情感分析代码实现，实际应用中还需要考虑更多的细节和优化。