Tutorial sull'analisi del sentiment

Pubblico

Questo tutorial è progettato per consentirti di iniziare a esplorare e sviluppare rapidamente le applicazioni con l'API Google Cloud Natural Language. È progettata per le persone che hanno familiarità con la programmazione di base, anche se non hanno una conoscenza approfondita della programmazione. Dopo aver seguito questo tutorial, dovresti essere in grado di utilizzare la documentazione di riferimento per creare le tue applicazioni di base.

Questo tutorial illustra un'applicazione API Natural Language utilizzando il codice Python. Lo scopo non è spiegare le librerie client per Python, ma spiegare come effettuare chiamate all'API Natural Language. Le applicazioni in Java e Node.js sono essenzialmente simili. Consulta l'API Natural Language Esempi per esempi in altre lingue (incluso questo esempio nel tutorial).

Prerequisiti

Questo tutorial prevede diversi prerequisiti:

Analisi del sentiment dei documenti

Questo tutorial illustra un'applicazione API Basic Natural Language utilizzando una richiesta analyzeSentiment, che esegue analisi del sentiment sul testo. L'analisi del sentiment tenta di determinare l'atteggiamento complessivo (positivo o negativo) ed è rappresentata da valori numerici di score e magnitude. Per ulteriori informazioni su questi concetti, consulta le nozioni di base sul linguaggio naturale.

Prima mostreremo il codice completo. Tieni presente che abbiamo rimosso la maggior parte dei commenti da questo codice al fine di mostrarti la relativa durata. Forniremo ulteriori commenti man mano che esamineremo il codice.

Per ulteriori informazioni sull'installazione e l'utilizzo della libreria client di Google Cloud Natural Language per Python, visita la pagina relativa alle librerie client dell'API Natural Language.
"""Demonstrates how to make a simple call to the Natural Language API."""

import argparse

from google.cloud import language_v1

def print_result(annotations):
    score = annotations.document_sentiment.score
    magnitude = annotations.document_sentiment.magnitude

    for index, sentence in enumerate(annotations.sentences):
        sentence_sentiment = sentence.sentiment.score
        print(
            "Sentence {} has a sentiment score of {}".format(index, sentence_sentiment)
        )

    print(
        "Overall Sentiment: score of {} with magnitude of {}".format(score, magnitude)
    )
    return 0

def analyze(movie_review_filename):
    """Run a sentiment analysis request on text within a passed filename."""
    client = language_v1.LanguageServiceClient()

    with open(movie_review_filename, "r") as review_file:
        # Instantiates a plain text document.
        content = review_file.read()

    document = language_v1.Document(
        content=content, type_=language_v1.Document.Type.PLAIN_TEXT
    )
    annotations = client.analyze_sentiment(request={"document": document})

    # Print the results
    print_result(annotations)

if __name__ == "__main__":
    parser = argparse.ArgumentParser(
        description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter
    )
    parser.add_argument(
        "movie_review_filename",
        help="The filename of the movie review you'd like to analyze.",
    )
    args = parser.parse_args()

    analyze(args.movie_review_filename)

Questa applicazione semplice esegue le attività seguenti:

  • importa le librerie necessarie per eseguire l'applicazione
  • Copia un file di testo e lo passa alla funzione main().
  • Legge il file di testo e invia una richiesta al servizio
  • Analizza la risposta dal servizio e la mostra all'utente

Più avanti tratteremo questi passaggi più nel dettaglio.

Importazione delle librerie in corso...

Per ulteriori informazioni sull'installazione e l'utilizzo della libreria client di Google Cloud Natural Language per Python, visita la pagina relativa alle librerie client dell'API Natural Language.
import argparse

from google.cloud import language_v1

Importiamo argparse, una libreria standard, per consentire all'applicazione di accettare nomi di file di input come argomenti.

Per l'utilizzo dell'API Cloud Natural Language, vogliamo importare anche il modulo language dalla libreria google-cloud-language. Il modulo types contiene le classi necessarie per creare richieste.

Esecuzione dell'applicazione

if __name__ == "__main__":
    parser = argparse.ArgumentParser(
        description=__doc__, formatter_class=argparse.RawDescriptionHelpFormatter
    )
    parser.add_argument(
        "movie_review_filename",
        help="The filename of the movie review you'd like to analyze.",
    )
    args = parser.parse_args()

    analyze(args.movie_review_filename)

In questo caso, analizziamo l'argomento passato per il nome file del testo e lo trasmettiamo alla funzione analyze().

Autenticazione nell'API

Prima di comunicare con il servizio API Natural Language, devi autenticare il servizio utilizzando le credenziali acquisite in precedenza. All'interno di un'applicazione, il modo più semplice per ottenere le credenziali è utilizzare Credenziali predefinite dell'applicazione. Per impostazione predefinita, ADC proverà a ottenere le credenziali dal file di ambiente GOOGLE_APPLICATION_CREDENTIALS, che deve essere impostato in modo da puntare al file della chiave JSON dell'account di servizio. Dovresti aver configurato il tuo account di servizio e il tuo ambiente in modo da utilizzare ADC nella guida rapida. Per ulteriori informazioni, consulta la sezione Configurare un account di servizio.

La libreria client di Google Cloud per Python utilizza automaticamente le credenziali predefinite dell'applicazione.

Effettuare la richiesta

Ora che il nostro servizio API Natural Language è pronto, possiamo accedervi cercando il metodo analyze_sentiment dell'istanza LanguageServiceClient.

La libreria client contiene i dettagli per le richieste e le risposte all'API. Consulta il Riferimento API Natural Language per informazioni complete sulla struttura specifica di tale richiesta.

Per ulteriori informazioni sull'installazione e l'utilizzo della libreria client di Google Cloud Natural Language per Python, visita la pagina relativa alle librerie client dell'API Natural Language.
def analyze(movie_review_filename):
    """Run a sentiment analysis request on text within a passed filename."""
    client = language_v1.LanguageServiceClient()

    with open(movie_review_filename, "r") as review_file:
        # Instantiates a plain text document.
        content = review_file.read()

    document = language_v1.Document(
        content=content, type_=language_v1.Document.Type.PLAIN_TEXT
    )
    annotations = client.analyze_sentiment(request={"document": document})

    # Print the results
    print_result(annotations)

Questo snippet di codice esegue le seguenti attività:

  1. Crea un'istanza di un'istanza LanguageServiceClient come client.
  2. Legge il nome file contenente i dati di testo in una variabile.
  3. Crea un'istanza di un oggetto Document con i contenuti del file.
  4. Chiama il metodo analyze_sentiment del client.

Analisi della risposta

def print_result(annotations):
    score = annotations.document_sentiment.score
    magnitude = annotations.document_sentiment.magnitude

    for index, sentence in enumerate(annotations.sentences):
        sentence_sentiment = sentence.sentiment.score
        print(
            "Sentence {} has a sentiment score of {}".format(index, sentence_sentiment)
        )

    print(
        "Overall Sentiment: score of {} with magnitude of {}".format(score, magnitude)
    )
    return 0

Esaminiamo la risposta per estrarre i valori del sentiment score per ogni frase e i valori score e magnitude complessivi per l'intera recensione e li mostriamo all'utente.

Esegui il campione

Per eseguire il nostro esempio, lo testeremo su una serie di recensioni (false) relative al film "Bladerunner".

  1. Scarica gli esempi da Google Cloud Storage:

    gsutil cp gs://cloud-samples-tests/natural-language/sentiment-samples.tgz .
    

    gsutil viene di solito installato come parte dell'interfaccia a riga di comando gcloud. Per installare la versione più recente dell'interfaccia a riga di comando gcloud, consulta la documentazione sull'interfaccia a riga di comando gcloud.

  2. Decomprimi i campioni, che creano una cartella "recensioni".

    gunzip sentiment-samples.tgz
    tar -xvf sentiment-samples.tar
    
  3. Esegui la nostra analisi del sentiment su uno dei file specificati:

    python sentiment_analysis.py reviews/bladerunner-pos.txt
    Sentence 0 has a sentiment score of 0.8
    Sentence 1 has a sentiment score of 0.9
    Sentence 2 has a sentiment score of 0.8
    Sentence 3 has a sentiment score of 0.2
    Sentence 4 has a sentiment score of 0.1
    Sentence 5 has a sentiment score of 0.4
    Sentence 6 has a sentiment score of 0.3
    Sentence 7 has a sentiment score of 0.4
    Sentence 8 has a sentiment score of 0.2
    Sentence 9 has a sentiment score of 0.9
    Overall Sentiment: score of 0.5 with magnitude of 5.5
    

L'esempio riportato sopra indica una recensione relativamente positiva (punteggio 0.5), nonché relativamente emotiva (5.5).

L'esecuzione di analisi sugli altri esempi dovrebbe produrre valori simili a quelli mostrati di seguito:

python sentiment_analysis.py reviews/bladerunner-neg.txt
...
Overall Sentiment: score of -0.6 with magnitude of 3.3

python sentiment_analysis.py reviews/bladerunner-mixed.txt
...
Overall Sentiment: score of 0 with magnitude of 4.7

python sentiment_analysis.py reviews/bladerunner-neutral.txt
...
Overall Sentiment: score of -0.1 with magnitude of 1.8

Tieni presente che le magnitudini sono tutte simili (indicando una quantità uguale di sentiment emotivamente significativo), ad eccezione del caso "neutro", che indica una recensione con sentiment non molto emotivo, positivo o negativo. Per ulteriori informazioni su punteggi e grandezza del sentiment e su come interpretare questi valori, consulta la sezione Interpretare i valori delle analisi del sentiment.

Se vuoi esplorare l'analisi del sentiment con più dati, Stanford fornisce un set di dati di IMDB. Per recuperare le recensioni di questo film:

  1. Scarica il set di dati di Large Movie Review.
  2. Decomprimi il file nella directory di lavoro. Le recensioni di film sono divise in directory pos e neg all'interno di directory di dati train e test, con ogni file di testo contenente una recensione di film.
  3. Esegui lo strumento sentiment_analysis.py su uno qualsiasi dei file di testo della recensione di un film.

Complimenti! Hai eseguito le prime attività di inferenza utilizzando l'API Google Cloud Natural Language.