使用历史推文进行情感分析- MATLAB & Simulink - MathWorks España金宝app

使用历史推文进行情感分析

这个例子展示了如何搜索和检索过去7天内所有可用的推文，并将它们导入MATLAB^®．导入数据后，可以进行情绪分析。这种分析使您能够从文本数据中确定主观信息，例如情绪、观点或情绪反应。这个例子搜索关于金融服务行业的积极和消极情绪。

要运行这个示例，您需要Twitter^®凭证。要获得这些凭据，您必须首先登录您的Twitter帐户。然后，在里面填写表格创建应用程序．

要访问示例代码，请输入编辑TwitterExample.m在命令行。

连接到推特

使用您的凭证创建一个Twitter连接。(本例中的值不代表真实的Twitter凭证。)

consumerkey =“abcdefghijklmnop123456789”；consumersecret =“qrstuvwxyz123456789”；accesstoken =“123456789 abcdefghijklmnop”；accesstokensecret =“123456789 qrstuvwxyz”；C = twitter(consumerkey,consumersecret,accesstoken,accesstokensecret);

检查Twitter连接。如果StatusCode财产具有价值好吧，连接成功。

c.StatusCode

好的

检索最新推文

使用Twitter连接对象搜索有关金融服务行业的最新100条tweet。使用搜索词金融服务．进口推^®数据导入MATLAB工作空间。

tweetquery =“金融服务”；S = search(c,tweetquery，“数”, 100);status = s. body . data .status;暂停(2)

状态将Tweet数据包含为包含100个结构的单元格数组。每个结构都包含一个用于Tweet文本的字段，其余字段包含关于Tweet的其他信息。

搜索并检索自上一个请求以来出现的下100条tweet。

sRefresh = search(c,tweetquery，“数”, 100,.．.“since_id”, s.Body.Data.search_metadata.max_id_str);srefresh . body . data . stats = [status; srefresh . body . data . stats];

状态包含最新的100条tweet和之前的100条tweet。

检索所有可用推文

检索关于金融服务行业的所有可用推文而循环。方法检查可用数据isfield函数和结构字段next_results．

而isfield (s.Body.Data.search_metadata“next_results”）将结果转换为字符串nextresults = string(s.s . body . data. search_metadata.next_results);提取最大Tweet标识符max_id = extractBetween(下一个结果，" max_id = "，“&”）;将最大Tweet标识符转换为字符向量Cmax_id = char(max_id);%搜索推文S = search(c,tweetquery，“数”, 100,“max_id”, cmax_id);检索每条推文的文本stats =[状态;s. body . data . stats];结束

检索每个Tweet的创建时间和文本。通过在结构单元格数组中访问非结构化数据来检索其创建时间。对于结构化数据，通过转置结构数组中的字段来访问创建时间。

如果iscell(状态)%非结构化数据numTweets =长度(状态);确定tweet的总数tweetTimes = cell(numTweets,1);为推文次数和推文文本分配空间tweettextts = tweetTimes;为i = 1:numTweets tweetTimes{i} = status {i}.created_at;检索每条Tweet创建的时间tweetextts {i} = status {i}.text;检索每条Tweet的文本结束其他的%结构化数据tweetTimes = {status .created_at}';tweetextts = {status .text}';结束

tweetTimes包含每个Tweet的创建时间。tweetTexts包含每条Tweet的文本。

制定时间表微博通过使用每条推文的文本和创建时间为所有推文。

tweets =时间表(tweetTexts，“RowTimes”，.．.datetime (tweetTimes“格式”，'eee MMM dd HH:mm:ss +SSSS yyyy'));

对推文进行情感分析

创建一个与积极情绪相关的词汇表。

Poskeywords = {“快乐”，“伟大的”，‘好’，.．.“快”，“优化”，“不错”，“有趣的”，“神奇的”，“高级”，“奖”，.．.“赢家”，“赢了”，“酷”，“谢谢”，“有用的”}；

poskeywords是字符向量的单元格数组。每个字符向量都是一个单词，代表积极情绪的一个实例。

在每条推文中搜索积极情绪词汇表中的单词。确定包含积极情绪的推文总数。从正面推文的总数中，确定转发的总数。

确定tweet的总数numTweets = height(tweets);确定积极的推文numPosTweets = 0;numPosRTs = 0;为i = 1:numTweets比较推文和积极情绪词汇表。dJobs = contains(tweets. tweetextts {i}，poskeywords，“IgnoreCase”,真正的);如果dJobs增加一个正面情绪的推文总数numPosTweets = numPosTweets + 1;确定正面推文是否为转发。RTs = strncmp(“RT @”我,tweets.tweetTexts {}, 4);如果即时战略游戏将正面转发总数增加1numPosRTs = numPosRTs + 1;结束结束结束

numPosTweets包含正面情绪的推文总数。

numPosRTs包含积极情绪的转发总数。

创建一个与负面情绪相关的词汇表。

否定关键字= {“伤心”，“可怜的”，“坏”，“慢”，“削弱”，“的意思是”，“无聊”，.．.“普通”，“底”，“损失”，“失败者”，“失去”，“没把握的”，.．.“批评”，“没用的”}；

negkeywords是字符向量的单元格数组。每个字符向量都是一个单词，代表消极情绪的一个实例。

在每条推文中搜索负面情绪词汇表中的单词。确定包含负面情绪的推文总数。从负面推文的总数中，确定转发的总数。

确定负面推文numNegTweets = 0;numNegRTs = 0;为i = 1:numTweets比较推文和负面情绪词汇表。dJobs = contains(tweets. tweetextts {i}，negkeywords，“IgnoreCase”,真正的);如果dJobs增加负面情绪推文总数1numNegTweets = numNegTweets + 1;确定负面推文是否为转发。RTs = strncmp(“RT @”我,tweets.tweetTexts {}, 4);如果RTs numNegRTs = numNegRTs + 1;结束结束结束

numNegTweets包含负面情绪的推文总数。

numNegRTs包含负面情绪的转发总数。

显示情绪分析结果

创建一个包含以下列的表:

推文数量
具有积极情绪的推文数量
正面转发数
带有负面情绪的推文数量
负面转发数

matlabTweetTable = table(numTweets,numPosTweets,numPosRTs,numNegTweets,numNegRTs，.．.“VariableNames”, {“Number_of_Tweets”，“Positive_Tweets”，“Positive_Retweets”，.．.“Negative_Tweets”，“Negative_Retweets”})；

显示推文数据表。

matlabTweetTable

matlabTweetTable = 1×5表Number_of_Tweets Positive_Tweets Positive_Retweets Negative_Tweets Negative_Retweets  ________________ _______________ _________________ _______________ _________________ 11465 688 238 201 96

在过去7天内关于金融服务业的11465条推文中，有688条是正面情绪，201条是负面情绪。在正面推文中，有238条是转发。在负面推文中，有96条是转发。