网络应用程序 – 情感分析使推文与搜索查询匹配并进行分析

概述我想在twitter上进行情绪分析.我不想存储任何推文,但对它们进行分析,如推文,这些推文说明了关于特定主题标签的积极内容等等.我在这里遇到的问题是访问推文太慢了.什么是访问推文并分析它们并向用户提供结果的方式.这里有一个很好的例子： http://www.sentiment140.com/search?query=hello&hl=en 虽然上面链接中的人只发了10条推文并进行分析.我想知道如何 我想在twitter上进行情绪分析.我不想存储任何推文,但对它们进行分析,如推文,这些推文说明了关于特定主题标签的积极内容等等.我在这里遇到的问题是访问推文太慢了.什么是访问推文并分析它们并向用户提供结果的方式.这里有一个很好的例子： http://www.sentiment140.com/search?query=hello&hl=en

虽然上面链接中的人只发了10条推文并进行分析.我想知道如何访问API以便用户可以快速响应.

即使这是一个很好的例子：http://snapbird.org/即使我知道如何访问推文并自动分析它们而不必将它们存储在任何地方也是一个完美的解决方案.

请注意,我只是询问如何在没有存储的情况下访问推文,这样我就可以直接对用户进行分析并在我的网络应用中显示.

解决方法 Sentiment140位于GoogleApp Engine上,因此您可以打赌他们正在使用Python来完成任务. Python非常适合这种情况,并且具有用于情感分析(NLTK)的优秀库并使用twitter API.还有很棒的教程.您可以按照以下步骤 *** 作：

>获取关键字的最后N条推文(使用tweepy lib)提供示例.
>将它们存储在一个数组中
>将数组传递给使用Python的NLTK构建的贝叶斯分类器[参见链接]
>近乎实时地获得分析结果
>如果需要,可以将它们呈现给用户(在Django / Flask模板中等)

从twitter API获取N条推文

使用tweepy的示例(使用关键字’lionel Messi’返回最后10条推文)

#!/usr/bin/env pythonimport tweepyckey = 'xxx'csecret = 'xxx'atoken = 'xxx'asecret = 'xxx'auth = tweepy.OAuthHandler(ckey,csecret)auth.set_access_token(atoken,asecret)API = tweepy.API(auth)tweets = []                             # You pass this array to the Bayesian ClassifIErfor tweet in tweepy.Cursor(API.search,q="lionel Messi",result_type="recent",include_entitIEs=True,lang="en").items(10):    print tweet.created_at,tweet.text      tweets.append(tweet.text)           # Store the tweets in your array

构建朴素贝叶斯分类器

有关如何构建分类器和良好资源的示例：

http://ravikiranj.net/drupal/201205/code/machine-learning/how-build-twitter-sentiment-analyzer
https://github.com/ravikiranj/twitter-sentiment-analyzer

请记住,你必须训练和微调你的机器人/分类器.您在这些资源中获得了更多信息和样板代码.

PS：或者你可以将推文的数组/字典传递给text-processing.com的API等服务,他们会为你做情感分析……

http://text-processing.com/demo/sentiment/
https://www.mashape.com/japerk/text-processing/pricing#!documentation

在一个简单的网站上显示结果

对于此任务,您可以使用flask-tweepy.只需阅读他们的演示,您将看到将上面的脚本合并到flask中并将结果呈现在视图中是多么容易.

希望能帮助到你！

总结

以上是内存溢出为你收集整理的网络应用程序 – 情感分析使推文与搜索查询匹配并进行分析全部内容，希望文章能够帮你解决网络应用程序 – 情感分析使推文与搜索查询匹配并进行分析所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。