Analisi del sentiment su trascritti di parlato

Elaborazione del linguaggio parlato in Python

Daniel Bourke

Machine Learning Engineer/YouTube Creator

Installare le librerie per il sentiment

$ pip install nltk

# Scarica i pacchetti NLTK necessari
import nltk
nltk.download("punkt")
nltk.download("vader_lexicon")

Analisi del sentiment con VADER

# Importa la classe per l'analisi del sentiment
from nltk.sentiment.vader import SentimentIntensityAnalyzer

# Crea l'istanza per il sentiment
sid = SentimentIntensityAnalyzer()

# Prova il sentiment su un testo negativo
print(sid.polarity_scores("This customer service is terrible."))

{'neg': 0.437, 'neu': 0.563, 'pos': 0.0, 'compound': -0.4767}

Sentiment su testo trascritto

# Trascrivi il canale cliente di call_3
call_3_channel_2_text = transcribe_audio("call_3_channel_2.wav")
print(call_3_channel_2_text)

"hey Dave is this any better do I order products are currently on July 1st and I haven't 
received the product a three-week step down this parable 6987 5"

# Sentiment sul canale cliente di call_3
sid.polarity_scores(call_3_channel_2_text)

{'neg': 0.0, 'neu': 0.892, 'pos': 0.108, 'compound': 0.4404}

Frase per frase

call_3_paid_api_text = "Okay. Yeah. Hi, Diane. This is paid on this call and obvi..."

# Importa il tokenizer di frasi
from nltk.tokenize import sent_tokenize

# Calcola il sentiment per ogni frase
for sentence in sent_tokenize(call_3_paid_api_text):
  print(sentence)
  print(sid.polarity_scores(sentence))

Frase per frase

Okay.
{'neg': 0.0, 'neu': 0.0, 'pos': 1.0, 'compound': 0.2263}
Yeah.
{'neg': 0.0, 'neu': 0.0, 'pos': 1.0, 'compound': 0.296}
Hi, Diane.
{'neg': 0.0, 'neu': 1.0, 'pos': 0.0, 'compound': 0.0}
This is paid on this call and obviously the status of my orders at three weeks ago, 
and that service is terrible.
{'neg': 0.129, 'neu': 0.871, 'pos': 0.0, 'compound': -0.4767}
Is this any better?
{'neg': 0.0, 'neu': 0.508, 'pos': 0.492, 'compound': 0.4404}
Yes...

È ora di codificare!

Elaborazione del linguaggio parlato in Python