使用历史推文进行情感分析- MATLAB & Simulink - MathWorks英国万博1manbetx

使用历史推文进行情感分析

此示例显示如何在过去7天内搜索和检索所有可用的推文，并将其导入MATLAB^®．导入数据后，可以进行情感分析。这种分析使您能够从文本数据中确定主观信息，如情绪、观点或情绪反应。这个例子搜索关于金融服务业的积极和消极情绪。

要运行此示例，您需要推特^®证书。要获取这些凭据，您必须首先登录您的Twitter帐户。然后，填写表格创建一个应用程序．

要访问示例代码，输入编辑TwitterExample.m在命令行。

连接到推特

使用凭据创建Twitter连接。（此示例中的值不表示真实的Twitter凭据。）

consumerkey ='abcdefghijklmnop123456789'；consumersecret =“qrstuvwxyz123456789”；accesstoken ='123456789abcdefghijklmnop'；accesstokensecret =“123456789 qrstuvwxyz”；c = twitter (consumerkey consumersecret、accesstoken accesstokensecret);

检查Twitter连接。如果是StatusCode财产有价值行，连接成功。

C.Statuscode.

ans =好的

检索最新的推文

使用Twitter Connection对象搜索关于金融服务业的最新推文。使用搜索词金融服务．导入推文^®数据进入MATLAB工作空间。

tweetquery =“金融服务”；s =搜索(c tweetquery'数数'，100）;statees = s.body.data.statuses;暂停（2）

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

搜索并检索自上文请求以来发生的接下来的100推文。

sRefresh =搜索(c tweetquery'数数', 100,．..'自计_ID', s.Body.Data.search_metadata.max_id_str);状态=[状态;sRefresh.Body.Data.statuses];

状态包含前100条tweet之外的最新100条tweet。

检索所有可用的推文

使用a检索关于金融服务行业的所有可用推文尽管循环。检查可用的数据使用isfield功能和结构字段next_results.．

尽管isfield (s.Body.Data.search_metadata“next_results”）％将结果转换为字符串nextresults =字符串(s.Body.Data.search_metadata.next_results);%提取最大Tweet标识符max_id = extractBetween (nextresults," max_id = "，“&”）;％将最大推文标识符转换为字符向量cmax_id = char (max_id);搜索tweets =搜索(c tweetquery'数数', 100,“max_id”，cmax_id）;检索每条Tweet的Tweet文本状态=[状态;s.Body.Data.statuses];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，检索其创建时间。对于结构化数据，通过转换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）;％确定推文的总数tweetTimes =细胞(numTweets, 1);％为推文时间和推文文本分配空间tweetTexts = tweetTimes;为i = 1：numtweets tweettimes {i} = statuses {i} .created_at;％检索创建每个推文的时间tweetTexts{我}{我}=状态。text;％检索每个推文的文本结束其他的%的结构化数据tweettimes = {statuses.created_at}';tweettexts = {statusees.text}';结束

Tweettimes.包含每个推文的创建时间。tweetTexts包含每个推文的文本。

创建时间表微博对于所有推文的文本和创建时间，对于所有推文。

微博=时间表(tweetTexts,'rowtimes'，．..DateTime（Tweettimes，“格式”，'EEE MMM DD HH：MM：SS + SSSS YYYY'））;

对Tweets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'，'好的'，．..'快速地'，“优化”，“不错”，“有趣的”，'惊人的'，“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。每个字符向量都是代表积极情绪的一个词。

在积极情绪词汇表中搜索每个推文。确定包含积极情绪的推文总数。出于积极推文的总数，确定转推的总数。

％确定推文的总数numTweets =身高(微博);%确定积极的推文numPosTweets = 0;numPosRTs = 0;为i = 1：numTweets%比较推特和积极情绪词汇djobs =包含（Tweets.tweetTexts {i}，poskeywords，“IgnoreCase”,真正的);如果DJOBS.％增加了积极情绪的推文总数numPosTweets = numPosTweets + 1;%确定积极的推文是否为转发rts = strncmp（'RT @'我,tweets.tweetTexts {}, 4);如果即时战略游戏％增加一个张力转扬的总数numPosRTs = numPosRTs + 1;结束结束结束

numPosTweets包含积极情绪的推文总数。

numPosRTs包含正面情绪转发的总次数。

创建一个与负面情绪相关的词语词汇表。

negkeywords = {'伤心'，“可怜的”，'坏的'，'慢'，“削弱”，'意思'，“无聊”，．..'普通的'，“底”，'损失'，“失败者”，'失去'，'undool'，．..'批评'，'无用'};

negkeywords是字符向量的单元格数组。每个字符向量都是一个代表消极情绪实例的单词。

在负面情绪词汇表中搜索每个推文中的单词。确定包含负面情绪的推文总数。在负关节总数中，确定转推的总数。

%确定负面推文numnegtweets = 0;numnegrts = 0;为i = 1：numTweets％比较推文到负面情绪词汇表djobs =包含（Tweets.tweettexts {i}，negkeywords，“IgnoreCase”,真正的);如果DJOBS.%负面情绪推文总数增加1numnegtweets = numnegtweets + 1;%确定负面推文是否为转发rts = strncmp（'RT @'我,tweets.tweetTexts {}, 4);如果RTS numnegrs = numnegrts + 1;结束结束结束

numnegtweets.包含负面情绪的推文总数。

numNegRTs包含了负面情绪转发的总次数。

显示情绪分析结果

创建包含以下字段的表:

推文数量
积极情绪的推文数量
阳性转短文数量
负面情绪的推文数量
负转派数量

matlabtweettable =表（numtweets，numpostweets，numposrts，numnegtweets，numnegrs，．..“VariableNames”，{'number_of_tweets'，“Positive_Tweets”，“Positive_Retweets”，．..'负面_tweets'，'负面_retweets'}）;

显示推文数据表。

matlabtweettable.

matlabtweettable = 1×5表编号_of_tweets oneach_tweets oneach_retweets负面_tweets负面____________________________ _______________ ________________ 11465 688 238 201 96

在过去的7天内，关于金融服务业的11,465次推文，688名推文有积极的情绪，201推文有负面情绪。走出正面推文，238条推文是转推。出于负面推文，96是转推。