【R语言学习笔记】4. 文本挖掘之情感分析

1. 目的：通过分析和挖掘推特上的推文，来尽可能准确的判断其对苹果公司的态度(积极、消极、或者为其他)。

2. 数据来源: Twitter API；构建因变量方法：Amazon Mechanical Turk；自变量为推文内容。

Amazon Mechanical Turk: 亚马逊Mechanical Turk是一个众包市场，使个人或企业能够使用人工智能来执行计算机当前无法执行的任务。作为全球最大的众包市场之一，Mechanical Turk提供按需、可扩展的员工队伍，将创业公司、企业、研究人员、艺术家、知名科技公司和政府机构与个人联系起来，以解决计算机视觉、机器学习、自然语言处理等方面的问题。

tweets <- read.csv("tweets.csv", stringsAsFactors=FALSE) 
View(tweets)

str(tweets) # 查看数据结构

创建因变量

tweets$Negative = as.factor(tweets$Avg <= -1)
table(tweets$Negative)

3. 数据预处理：词袋模型(bag of words)

创建语料库

corpus <- VCorpus(VectorSource(tweets$Tweet)) 
# VCorpus() creates volatile corpora.
# VectorSource(): A vector source interprets each element of the vector x as a document.

# Look at corpus
corpus
corpus[[1]]$content

# output: [1] "i have to say, apple has by far the best customer care service i have ever received! @apple @appstore"

3.1 将字母全部转为小写(irregularities)

# Convert to lower-case
corpus <- tm_map(corpus, content_transformer(tolower))
corpus[[1]]$content

# output: [1] "i have to say, apple has by far the best customer care service i have ever received! @apple @appstore"

3.2 去除所有标点符号(punctuation)

# Remove punctuation
corpus <- tm_map(corpus, removePunctuation)
corpus[[1]]$content

# output: [1] "i have to say apple has by far the best customer care service i have ever received apple appstore"

然而，有时候标点符号是有意义的。比如，在Twitter中，@Apple代表向Apple发消息；#Apple代表这是关于Apple的信息；此外，标点符号对于网址来说有重要意义。

3.3 去除停用词表(stop words)

停用词表指的是不太可能帮助提升机器学习准确率的词汇的集合，例如：the, is, at, and which。因此，我们可以去除这些词来减少数据量。

# Look at stop words 
stopwords("english")[1:10]

# output: [1] "i"         "me"        "my"        "myself"    "we"        "our"       "ours"     "ourselves"     "you"       "your"



# Remove stopwords and apple
corpus <- tm_map(corpus, removeWords, c("apple", stopwords("english")))
corpus[[1]]$content

# output: [1] "   say    far  best customer care service   ever received  appstore"

然而，去除停用词也有一些潜在问题。有时候，两个停用词连在一起可能有很重要的含义。例如，'The Who' 这两个停用词连在一起，是一个乐队的名称。

3.4 只保留词根(stemming)

当同一个单词结尾不同，但是却代表相同的含义的时候，我们可以通过只保留这些单词词根的方法来去掉冗余。例如argue, argued, argues, 以及 arguing代表的是相同的含义，但是被按照不同的单词来计数，因此可以通过只保留词根的方法，让他们用一个共同的词根argu代替。

# Stem document 
corpus = tm_map(corpus, stemDocument)
corpus[[1]]$content

# output: [1] "say far best custom care servic ever receiv appstor"

同样的，这个方法的不足之处在于，有些词具有相同的词根，但是不同的词尾具有不同的含义，如果删掉了，则会影响预测的准确性

3.5 创建单词频率矩阵

其中，每一行代表每一个观测值(tweets), 每一列对应推文中出现的一个单词，矩阵中的数值为每个单词在每个观测值中出现的频率(次数)。

# Create frequency matrix
frequencies <- DocumentTermMatrix(corpus)
frequencies

由此可见，frequencies中包含了1181个观测值和3289个单词。

查看矩阵

# Look at matrix 
inspect(frequencies[1000:1005,505:515])

查看高频词汇

# Check for sparsity
findFreqTerms(frequencies, lowfreq=20) # lowfre = 20 means the terms that appear at least 20 times

我们可以发现，在3289个单词当中，只有56个词出现的频率不少于20次，因此我们可以去除一些低频词汇，因为这些低频词汇对于模型预测没有较大的帮助，且其存在会导致大量的计算，进而延长模型运算的时间。

# Remove sparse terms
sparse <- removeSparseTerms(frequencies, 0.995) # sparsity threshold = 0.995 means only keep terms that appear in 0.5% or more of the tweets,
sparse

将低频词汇剔除后，sparse中只包含了309个观测值。

接下来，将matrix转化为data frame以便于构建预测模型；并确保data frame的列名是恰当的。

# Convert to a data frame that we'll be able to use for our predictive models.
tweetsSparse <- as.data.frame(as.matrix(sparse))


# Make all variable names R-friendly
# Since R struggles with variable names that start with a number, and we probably have some words here that start with a number. 
colnames(tweetsSparse) <- make.names(colnames(tweetsSparse))

添加因变量，并将数据分为测试集(70%)和训练集(30%)

# Add dependent variable
tweetsSparse$Negative <- tweets$Negative

# Split the data
library(caTools)
set.seed(123)
split <- sample.split(tweetsSparse$Negative, SplitRatio = 0.7)
trainSparse <- subset(tweetsSparse, split==TRUE) # 测试集
testSparse <- subset(tweetsSparse, split==FALSE) # 训练集

4. 构建预测模型

4.1 CART分类树模型

# Build a CART model
library(rpart)
library(rpart.plot)

tweetCART <- rpart(Negative ~ ., data=trainSparse, method="class")
prp(tweetCART)

因此，当推文中出现freak、hate或者wtf任意一个词的时候，用户被划分为负面情绪；当推文中不包含这三个词的时候，推文不是负面情绪。

预测模型的准确性：

# Evaluate the performance of the model
predictCART <- predict(tweetCART, newdata=testSparse, type="class")

# Compute accuracy
library(caret)
confusionMatrix(predictCART, testSparse$Negative)

根据混淆矩阵的结果，将CART分类树模型应用到测试集，其准确性为87.89%。

# Baseline accuracy 
table(testSparse$Negative) # baseline accuracy is about 84.50704% = 300/(300+55)

因此，CART分类树模型在baseline的基础上，准确性有所提升(从94.5%提升至87.89%)。

接下来，考虑CART模型复杂性, 改进模型进而提升模型准确性

# consider cp value
tweetCART2 <- rpart(Negative ~ ., data=trainSparse, method="class", cp = 0.000001, minsplit = 5,
                    xval = 10)
printcp(tweetCART2)
prune.cart <- prune(tweetCART2, cp = 0.0236220)
prp(prune.cart)

根据改进的CART模型，当推文中出现freak、hate、wtf或者shame任意一个词的时候，用户被划分为负面情绪；当推文中不包含这三个词的时候，推文不是负面情绪。

# predict
prune.cart.pred <- predict(prune.cart, newdata = testSparse, type = 'class')
confusionMatrix(prune.cart.pred, testSparse$Negative)

根据混淆矩阵的结果，将改进的CART分类树模型应用到测试集，其准确性由87.89%提升至88.17%。

4.2 随机森林模型

# Random forest model
library(randomForest)
set.seed(123)
tweetRF <- randomForest(Negative ~ ., data=trainSparse)

# Make predictions:
predictRF <- predict(tweetRF, newdata=testSparse)
confusionMatrix(predictRF, testSparse$Negative)

将随机森林模型应用到测试集中，其准确性高达88.45%。然而，随机森林模型比改进后的CART模型解释性差很多，且改进后的模型准确性也高达88.17%。因此，更推荐改进后的CART模型。

4.3 逻辑回归模型

# logistic regression mode;
tweetLog <- glm(Negative ~ ., data = trainSparse, family = 'binomial')
predictions <- predict(tweetLog, newdata=testSparse, type="response")
confusionMatrix(as.factor(predictions>0.5), as.factor(testSparse$Negative))