电商评论文本挖掘

前言

该项目是我在大三选修课（大数据分析与应用）的实验报告，我觉得文本挖掘的项目网上相对来说不是很多，我也是参考了许多Github上的项目，以及自己的一些所学，而完成的一个比较全面的文本挖掘项目。我觉的整体批注写的还比较详细的，便于业余选手，或者只是想了解了解文本挖掘、机器学习、调调包的同学们学习。欢迎大家交流。

目录结构

好评：好评数据（只上传了一些）。
工具：所有代码中国另外需要读取的东西（我改变了原有的目录结构，如果下载下来要跑的话记得更改读取文件的目录）。
差评：差评数据（只上传了一些）。
README.md plus_motion.ipnb：源代码。

README目录

• 1.实验目的
• 2.数据介绍
• 3.数据清洗
• 4.利用机器学习和文本挖掘技术完成情感分析模型搭建
• 5.利用情感极性判断与程度计算来判断情感倾向
• 6.利用词频和TF-IDF挖掘出正负文本中的关键点情况
• 7.利用文本挖掘相关算法找到平台中用户讨论的集中点

1.实验目的

利用所学，对如下数据进行文本挖掘，主要实现一下四个方面内容：

1. 利用机器学习和文本挖掘技术完成情感分析模型搭建。
2. 利用情感极性判断与程度计算来判断情感倾向。
3. 利用词频和TF-IDF挖掘出正负文本中的关键点情况。
4. 利用文本挖掘相关算法找到平台中用户讨论的集中点。

2.数据介绍

主要由商品id，评论时间、评论内容、点赞数、评论打分构成。

3.数据清洗

1. 使用unique观察商品id、点赞数、评论打分的情况。
   
2. 查看评论打分的具体分布，发现4非常少，所以将4归为5分。并且为了方便，将5变为1，将1变为0。
   
   
3. 观察每个商品好评与差评的数量分布，可以发现一个商品好评、差评最多1000条，一个商品好评>=差评。
   
4. 观察每年的商品数量，可以发现主要集中在2021年附近。
   
5. 观察评论长度分布。
   
6. 观察评论长度大小分布情况。
   
7. 根据以上观察，去掉一些长度过短、过长的评论。
   
8. 删除重复值。
   
9. 删除标点符号或英文字母过多的评论。
   
10. 处理HTML符号。
    
11. 处理*（可能是违禁语、价格、品牌），好评：差评=1：2，应该保留。但每个的数量还不一样，为了避免jieba分出来多个，将每个出现的都变为1个*。
    
12. 将“京东”、“奶粉”字样去除，所有商品都是奶粉，都来自于京东。
    
13. jieba分词。
    
    
14. 根据停用词，处理分词后的结果。
    
15. 利用jieba.posseg进行分词后的词性识别。
    
16. 数据清洗后的结果。

4.利用机器学习和文本挖掘技术完成情感分析模型搭建

1. 根据不同函数情感挖掘的情况，对逻辑回归LogisticRegression、多项式贝叶斯MultionamialNB、随机森林RandomForestClassifier进行进一步探索。
2. 首先对文字使用TF-IDF进行处理变为数字。
   
   
3. 对数据进行PCA降维，从累计贡献率可以看出，使用PCA降维的效果欠佳，几乎每个特征都不能消除，特征之间都几乎不具备共线性，所以不使用PCA降维。
   
   
4. 使用RandomForestClassifier模型的feature_importance_属性来找出前N个最重要的特征。
   
5. 根据RandomForestClassifier的重要性特征排序，分别每隔100，进行ROC比较，找到合适的特征个数，前900个已经不错。
   
   
   
6. 同理使用卡方检验选出前N重要的特征，前800个特征已经相当不错。
   
7. 将RandomForestClassifier的前900特征，与SelectKBest前800特征，合并，形成新的特征。
   
8. 合并后计算ROC-AUC曲线，效果还不错。
   
9. 用得到的新特征开始进行三个模型训练，并分别利用网格搜索、随机网格搜索、交叉验证来进行调参，并通过计算准确率、查全率等，绘制混淆矩阵，绘制ROC-AUC曲线进行对比，最后发现逻辑回归的整体性能表现最好。
   
   
   
   
   
   

5.利用情感极性判断与程度计算来判断情感倾向

1. 主要思路：对文档分词，找出文档中的情感词、否定词以及程度副词；然后判断每个情感词之前是否有否定词及程度副词，将它之前的否定词和程度副词划分为一个组；如果有否定词将情感词的情感权值乘以-1，如果有程度副词就乘以程度副词的程度值；最后所有组的得分加起来，大于0的归于正向，小于0的归于负向，得分的绝对值大小反映了积极或消极的程度。
2. 读取否定词、程度副词、情感极性词典。
   
3. 根据情感词计算情感分数。
   
4. 计算正确率，为0.835，效果还不错。
   
   

6.利用词频和TF-IDF挖掘出正负文本中的关键点情况

1. 利用Tf-idf将文字转为有权重的特征值。
   
2. 根据权重排名，取出权重比较大的特征。
   
   
3. 绘制云词图可视化展示。
   
   
4. 生成共现矩阵，利用共现矩阵查看具体一个词说了什么，大约1200-300，重要性高的词调高end。
   
   
5. 可以得到以下结论，顾客对以下方面比较满意/在意：宝宝喜欢，老人喜欢（少部分奶粉是老人奶粉）；味道、口感、接近母乳；营养配方，身体免疫力，清火，消化吸收；正品；包装；物流速度，快递员服务（顾客喜欢下单第二天就送达）；活动力度，价格，性价比，比超市便宜；大品牌；溶解性好，结块不严重；日期新鲜；自营；满意度：飞鹤>伊利>安佳>蒙牛(>德运)；满意度：脱脂>全脂；满意度：进口>国产；独立小包装；可以和麦片搭配销售。
   顾客对以下方面比较不满意/在意，差评数据量不太大，很多都是上面好评原因的对立面，下面为几个主要原因：客服服务，售后；勺子；奶粉的质量、口味；买完就降价；没送赠品；保质期；结块；包装问题，快递问题；不满意：飞鹤>伊利；假货，不是原装进口。

7.利用文本挖掘相关算法找到平台中用户讨论的集中点

1. 利用奇异值分解对评论主题分析。
   
   
   
   
2. 好评的主要主题为：牛奶的配方有营养，味道好；牛奶便于吸收，溶解性好，清火，有营养；口感好，香味十足；接近母乳，更喜欢飞鹤；物流快，包装好。分布为主题一最多。
   
3. 差评的主要主题为：味道不好，客服不满意，包装不好，勺子不好；客服不好，买完就降价，包装不好，赠品不好；勺子不好，客服不满意，买完就降价，快递不配送，少赠品。分布为主题一最多。