使用历史推文进行情感分析
这个例子展示了如何搜索和检索过去7天内所有可用的tweet，并将它们导入MATLAB®．导入数据后，可以进行情绪分析。这种分析使您能够从文本数据中确定主观信息，如情绪、意见或情绪反应。这个例子搜索关于金融服务行业的积极情绪和消极情绪。
要运行这个示例，您需要Twitter®凭证。要获得这些凭据，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，请输入编辑TwitterExample.m在命令行。
连接到推特
使用您的凭证创建一个Twitter连接。(本例中的值并不代表真正的Twitter凭证。)
consumerkey =“abcdefghijklmnop123456789”；consumersecret =“qrstuvwxyz123456789”；accesstoken =“123456789 abcdefghijklmnop”；accesstokensecret =“123456789 qrstuvwxyz”；c = twitter (consumerkey consumersecret、accesstoken accesstokensecret);
检查Twitter连接。如果StatusCode财产有价值好吧，连接成功。
c.StatusCode
ans =好
检索的最新消息
使用Twitter连接对象搜索有关金融服务行业的最新100条tweet。使用搜索词金融服务．进口推®数据进入MATLAB工作空间。
tweetquery =“金融服务”；s =搜索(c tweetquery“数”, 100);状态= s.Body.Data.statuses;暂停(2)
状态包含Tweet数据作为一个包含100个结构的单元格数组。每个结构都包含一个用于Tweet文本的字段，其余字段包含关于Tweet的其他信息。
搜索并检索自上一个请求以来出现的下100个tweet。
sRefresh =搜索(c tweetquery“数”, 100,.．.“since_id”, s.Body.Data.search_metadata.max_id_str);状态=[状态;sRefresh.Body.Data.statuses];
状态包含前100条推文之外的最新100条推文。
检索所有可用的tweet
检索有关金融服务行业的所有可用tweet而循环。方法检查可用数据isfield功能和结构领域next_results．
而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);提取最大推文标识符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);搜索推文的百分比s =搜索(c tweetquery“数”, 100,“max_id”, cmax_id);检索每个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来检索其创建时间。对于结构化数据，通过换位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tweet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} = status {i}.created_at;检索每个Tweet的创建时间tweetTexts{我}{我}=状态。text;检索每个Tweet的文本结束其他的%的结构化数据tweetTimes = {statuses.created_at} ';tweetTexts = {statuses.text} ';结束
tweetTimes包含每个Tweet的创建时间。tweetTexts包含每条Tweet的文本。
创建时间表微博使用每条Tweet的文本和创建时间。
微博=时间表(tweetTexts,“RowTimes”，.．.datetime (tweetTimes“格式”，'eee MMM dd HH:mm:ss +SSSS yyyy'));
对推文进行情感分析
创建一个与积极情绪相关的词汇表。
poskeywords = {“快乐”，“伟大的”，‘好’，.．.“快”，“优化”，“不错”，“有趣的”，“神奇的”，“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。每个字符向量都是一个词，代表积极情绪的一个实例。
在每条Tweet中搜索积极情绪词汇表中的单词。确定包含积极情绪的推文总数。从正面推文的总数中，确定转发的总数。
确定tweet的总数numTweets =身高(微博);确定积极的推文numPosTweets = 0;numPosRTs = 0;为我= 1:numTweets将Tweet与积极情绪词汇表进行比较dJobs =包含(tweets.tweetTexts {}, poskeywords,“IgnoreCase”,真正的);如果dJobs增加正面情绪推文的总数numPosTweets = numPosTweets + 1;确定积极的推文是否是转发RTs = strncmp (“RT @”我,tweets.tweetTexts {}, 4);如果即时战略游戏增加正面转发的总数numPosRTs = numPosRTs + 1;结束结束结束
numPosTweets包含正面情绪的推文总数。
numPosRTs包含积极情绪的转发总数。
创建一个与负面情绪相关的词汇表。
negkeywords = {“伤心”，“可怜的”，“坏”，“慢”，“削弱”，“的意思是”，“无聊”，.．.“普通”，“底”，“损失”，“失败者”，“失去”，“没把握的”，.．.“批评”，“没用的”}；
negkeywords是字符向量的单元格数组。每个字符向量都是一个词，代表一个负面情绪的实例。
在每条Tweet中搜索负面情绪词汇表中的单词。确定包含负面情绪的推文总数。从负面推文的总数中，确定转发的总数。
确定负面推文numNegTweets = 0;numNegRTs = 0;为我= 1:numTweets将推文与负面情绪词汇表进行比较dJobs =包含(tweets.tweetTexts {}, negkeywords,“IgnoreCase”,真正的);如果dJobs增加负面情绪推文的总数numNegTweets = numNegTweets + 1;确定负面推文是否是转发。RTs = strncmp (“RT @”我,tweets.tweetTexts {}, 4);如果RTs numNegRTs = numNegRTs + 1;结束结束结束
numNegTweets包含负面情绪推文的总数。
numNegRTs包含负面情绪转发的总数。
展示情感分析结果
创建一个包含以下列的表:
的微博
有积极情绪的推文数量
积极转发数
带有负面情绪的推文数量
负面转发数
matlabTweetTable =表(numTweets numPosTweets、numPosRTs numNegTweets, numNegRTs,.．.“VariableNames”, {“Number_of_Tweets”，“Positive_Tweets”，“Positive_Retweets”，.．.“Negative_Tweets”，“Negative_Retweets”})；
显示推文数据表。
matlabTweetTable
matlabTweetTable = 1×5表Number_of_Tweets Positive_Tweets Positive_Retweets Negative_Tweets Negative_Retweets ________________ _______________ _________________ _______________ _________________ 11465 688 238 201 96
在过去7天内关于金融服务行业的11465条推文中，688条推文具有正面情绪，201条推文具有负面情绪。在积极的推文中，有238条推文是转发。负面推文中，96条是转发。
另请参阅
功能
对象
相关的话题
外部网站
您也可以从以下列表中选择网站: