行为情感分析使用历史鸣叫 - MATLAB＆Simulink的 - MathWorks公司한국万博1manbetx

行为情感分析使用历史推文

这个例子显示了如何搜索，并在过去7天检索所有可用的鸣叫，并将它们导入到MATLAB^®。导入数据后，您可以进行情感分析。这种分析使您能够确定主观信息，如情绪，意见或情绪反应，从文本数据。这个例子对于金融服务行业积极和消极情绪的搜索。

要运行这个例子，你需要到Twitter^®证书。要获得这些证书，您必须首先登录到你的Twitter帐户。然后，填写表单创建应用程序。

要访问示例代码，输入编辑TwitterExample.m在命令行。

连接至推特

请使用您的凭据Twitter的连接。（在本例中的值并不代表真正的Twitter的凭据。）

consumerkey ='abcdefghijklmnop123456789';consumersecret ='qrstuvwxyz123456789';的accessToken ='123456789abcdefghijklmnop';accesstokensecret ='123456789qrstuvwxyz';C =的twitter（consumerkey，consumersecret，的accessToken，accesstokensecret）;

检查Twitter的连接。如果的StatusCode属性的值为好，连接成功。

c.StatusCode

ANS = OK

检索最新的鸣叫

搜索有关使用Twitter的连接对象的金融服务行业最新的100个鸣叫。使用搜索词金融服务。进口分享Tweet^®数据到MATLAB工作区。

tweetquery ='金融服务';S =搜索（C，tweetquery，'计数'，100）;状态= s.Body.Data.statuses;暂停（2）

状态包含鸣叫数据为100层结构的一个单元阵列。每个结构包含一个字段的推文文字，其余字段包含有关Tweet其他信息。

搜索和检索自上次请求时有发生，在未来100个鸣叫。

摘要刷新=搜索（C，tweetquery，'计数'，100，...'since_id'，s.Body.Data.search_metadata.max_id_str）;状态= [状态; sRefresh.Body.Data.statuses];

状态除了包含最新的100个鸣叫以前的100个鸣叫。

检索所有可用的推文

检索有关金融服务行业使用所有可用的鸣叫而环。检查使用的可用数据isfield功能和结构字段next_results。

而isfield（s.Body.Data.search_metadata，'next_results'）％将结果转换为字符串nextresults =串（s.Body.Data.search_metadata.next_results）;％提取最大资料Tweet标识符max_id = extractBetween（nextresults，“max_id =”，“＆”）;％转换最大资料Tweet标识符到字符向量cmax_id = CHAR（max_id）;对于鸣叫％搜索S =搜索（C，tweetquery，'计数'，100，'max_id'，cmax_id）;％检索每个唧啾文本状态= [状态; s.Body.Data.statuses];结束

检索每个鸣叫的创建时间和文本。通过在结构中的单元阵列访问它检索创建时间非结构化数据。对于结构化数据，由结构阵列中的转置该字段访问创建时间。

如果iscell（状态）％非结构化数据numTweets =长度（状态）;％确定鸣叫的总数tweetTimes =细胞（numTweets，1）;％分配空间分享Tweet倍和推文文字tweetTexts = tweetTimes;对于I = 1：numTweets tweetTimes {I} =状态{I} .created_at;％检索每个资料Tweet被创建的时间tweetTexts {I} =状态{I}的.text;％检索每个鸣叫文本结束其他％的结构化数据tweetTimes = {statuses.created_at}';tweetTexts = {statuses.text}';结束

tweetTimes包含创建时间为每个Twitter消息，tweetTexts包含每个鸣叫文本。

创建时间表微博通过使用每个鸣叫文字和创建时间都推文。

鸣叫=时间表（tweetTexts，'RowTimes'，...日期时间（tweetTimes，'格式'，'EEE MMM DD HH：MM：SS + SSSS YYYY'））;

行为情感分析的推文

创建与积极情感相关词的词汇表。

poskeywords = {'快乐'，'大'，'好'，...'快速'，'优化'，“好”，'有趣'，'惊人'，'最佳'，'奖'，...'优胜者'，“赢”，'凉'，'谢谢'，'有用'};

poskeywords是字符向量的单元阵列。每个字符向量是代表积极情绪的一个实例，一个字。

搜索每个分享Tweet在积极情绪词汇的话。确定其含有的正情绪推文的总数。实施积极推文的总数，确定转推的总数。

％确定鸣叫的总数numTweets =高度（鸣叫）;％确定积极的推文numPosTweets = 0;numPosRTs = 0;对于I = 1：numTweets％比较鸣叫的乐观情绪词汇dJobs =含有（tweets.tweetTexts {I}，poskeywords，'IGNORECASE'，真正）;如果dJobs％提高鸣叫的总数由一个积极的情绪numPosTweets = numPosTweets + 1;％确定是否积极分享Tweet是转推RTS = STRNCMP（'RT @'，tweets.tweetTexts {I}，4）;如果即时战略由一个正转推的增加％总计数numPosRTs = numPosRTs + 1;结束结束结束

numPosTweets包含鸣叫与积极情绪的总数。

numPosRTs含有转推的与积极的情绪总数量。

创建与负面情绪有关的词的词汇表。

negkeywords = {'伤心'，'较差的'，'坏'，'慢'，'削弱'，'意思'，“无聊”，...'普通'，'底部'，'失利'，'失败者'，“失去”，“酷”，...'批评'，'无用'};

negkeywords是字符向量的单元阵列。每个字符向量是表示负面情绪的一个实例的词。

搜索每个分享Tweet在负面情绪词汇的话。确定包含负面情绪推文的总数。摆脱了负鸣叫的总数，确定转推的总数。

％确定负鸣叫numNegTweets = 0;numNegRTs = 0;对于I = 1：numTweets％比较鸣叫负面情绪词汇dJobs =含有（tweets.tweetTexts {I}，negkeywords，'IGNORECASE'，真正）;如果dJobs％提高鸣叫的总数由一个负面情绪numNegTweets = numNegTweets + 1;％确定是否负资料Tweet是一个转推RTS = STRNCMP（'RT @'，tweets.tweetTexts {I}，4）;如果的RT numNegRTs = numNegRTs + 1;结束结束结束

numNegTweets包含负面情绪推文的总数。

numNegRTs含有转推的与负面情绪的总数。

显示情感分析结果

创建列的表包含：

推文数
鸣叫与市场的乐观情绪号码
正转推数
鸣叫与消极情绪数
负转推数

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

显示资料Tweet数据的表。

matlabTweetTable

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

出11465个金融服务行业共推文在过去的7天，688个鸣叫有积极的情绪和201个鸣叫有负面情绪。出了积极的推文，238个鸣叫是转推。走出负鸣叫的，96转推。