การวิเคราะห์ความรู้สึก

การวิเคราะห์ข้อมูลโซเชียลมีเดียด้วย Python

Alex Hanna

Computational Social Scientist

ทำความเข้าใจการวิเคราะห์ความรู้สึก

วิธีการ
- นับคำเชิงบวก/เชิงลบในเอกสาร
- ประเมินความเป็นบวก/ลบของเอกสารทั้งหมด
การใช้งาน
- วิเคราะห์ปฏิกิริยาต่อบริษัท ผลิตภัณฑ์ นักการเมือง หรือนโยบาย

เครื่องมือวิเคราะห์ความรู้สึก

VADER SentimentIntensityAnalyzer()
- เป็นส่วนหนึ่งของ Natural Language Toolkit (nltk)
- เหมาะกับข้อความสั้น เช่น ทวีต
- วัดความรู้สึกของคำเฉพาะ (เช่น angry, happy)
- คำนึงถึงความรู้สึกของอีโมจิ (😀) และการพิมพ์ตัวพิมพ์ใหญ่ (Nice vs NICE) ด้วย

การนำการวิเคราะห์ความรู้สึกไปใช้

from nltk.sentiment.vader import SentimentIntensityAnalyzer

sid = SentimentIntensityAnalyzer()

sentiment_scores = tweets['text'].apply(sid.polarity_scores)

การตีความคะแนนความรู้สึก

อ่านทวีตเป็นส่วนหนึ่งของกระบวนการ
- มี face validity หรือไม่? (กล่าวคือ ผลลัพธ์สอดคล้องกับความเข้าใจเรื่องความเป็นบวกหรือลบหรือเปล่า?)

การตีความคะแนนความรู้สึก

tweet1 = 'RT @jeffrey_heer: Thanks for inviting me, and thanks 
for the lovely visualization of the talk! ...'
print(sid.polarity_scores(tweet1))

{'neg': 0.0, 'neu': 0.496, 'pos': 0.504, 'compound': 0.9041}

tweet2 = 'i am having problems with google play music'
print(sid.polarity_scores(tweet2)

{'neg': 0.267, 'neu': 0.495, 'pos': 0.238, 'compound': -0.0772}

การคำนวณค่าเฉลี่ยความรู้สึก

sentiment = sentiment_scores.apply(lambda x: x['compound'])

sentiment_fb = sentiment[check_word_in_tweet('facebook', tweets)]
                    .resample('1 min').mean()
sentiment_gg = sentiment[check_word_in_tweet('google', tweets)]
                    .resample('1 min').mean()

การพล็อตคะแนนความรู้สึก

plt.plot(
    sentiment_fb.index.minute, 
    sentiment_fb, color = 'blue'
    )
plt.plot(
    sentiment_g.index.minute, 
    sentiment_gg, color = 'green'
    )   
plt.xlabel('Minute')
plt.ylabel('Sentiment')
plt.title('Sentiment of companies')
plt.legend(('Facebook', 'Google'))
plt.show()

ความรู้สึกของ Facebook เทียบกับ Google

มาฝึกกันเถอะ!

การวิเคราะห์ข้อมูลโซเชียลมีเดียด้วย Python