基于腾讯云自然语言处理 NLP服务实现文本情感分析

刺骨的言语ヽ痛彻心扉 2024-04-22 19:32 81阅读 0赞

![在这里插入图片描述][0b6b8d7603d6436ca40fda9058911546.png]

#### 文章目录 ####

*   *  一、前言
     *  二、NLP 服务简介
     *  三、Python 调用腾讯云 NLP 服务 SDK 构建情感分析处理
     *   *  3.1 开通腾讯云 NLP 服务
         *  3.2 创建的腾讯云持久证书（如果已创建请跳过）
         *  3.2 在腾讯云服务器中安装 Git 工具以及 Python 环境
         *  3.3 安装 qcloudapi-sdk-python
         *  3.4 部署腾讯云的自然语言处理 NLP 服务
     *  四、文末个人总结

### 一、前言 ###

最近有一个需求，就是分析各种评论内容，之后分析出来特定场景下其评论是否有效，比如我们CSDN最常见的互三，这些互三如何判断，是否很多人发的评论都是类似重复的，今天我们来使用腾讯云的 NPL 服务来做一个语义分析的实践。

本文是基于腾讯云产品：NLP 服务的技术实践，如果你需要更多了该服务，请点击官方链接：[点击这里][Link 1]。

![在这里插入图片描述][06e0c51fa08742bf97501a15a05145df.png]

### 二、NLP 服务简介 ###

NLP 服务（Natural Language Process，NLP）深度整合了腾讯内部的 NLP 技术，提供多项智能文本处理和文本生成能力，包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。满足各行业的文本智能需求。

上面介绍了 NPL 服务是什么以及主要的用途，下面介绍一下我们今天使用的腾讯云的 NLP 服务

腾讯云 NLP 服务综合了腾讯内部 NLP 技术，提供全面的智能文本处理和生成功能，包括词法分析、相似词召回、词相似度、句子相似度、文本润色、句子纠错、文本补全、句子生成等。这些功能适用于各行业，能够帮助用户更好理解文本、提高搜索和推荐准确性、评估词语相似度、快速发现文本中的重复或相似句子、优化文本表达、识别并纠正语法、拼写等错误，同时通过自动文本补全和关键句子生成提高创作效率。

### 三、Python 调用腾讯云 NLP 服务 SDK 构建情感分析处理 ###

#### 3.1 开通腾讯云 NLP 服务 ####

这里我们直接访问限时福利 50000 次免费额度链接进行开通：[官方链接点击这里][Link 2]

勾选协议后，点击立即开通按钮。  
![在这里插入图片描述][6ccb0ce70e9841a8bdc0e34f65491ad7.png]

可以看到基础版是 50000 次免费，高级版是 1000 次免费。

![在这里插入图片描述][6fd9c2a441a44792a7339cc71ef7da3d.png]

#### 3.2 创建的腾讯云持久证书（如果已创建请跳过） ####

登录腾讯云控制台 点击查看[持久证书][Link 3]

> 链接：https://console.cloud.tencent.com/cam/capi

在提示的各种警告，直接点击蓝色按钮  
![在这里插入图片描述][339394a7a194420b9cd4bf0c2ce2eaa9.png]

同样点击确定按钮。

![在这里插入图片描述][2989f2b894684d3fb24cd0297a51c247.png]

在 API 秘钥管理页面，点击`新建秘钥`按钮，之后勾选知晓警告后，点击确定按钮，进行创建秘钥。

![在这里插入图片描述][6b8fc1712bae494682a295714d4577d0.png]

#### 3.2 在腾讯云服务器中安装 Git 工具以及 Python 环境 ####

> 购买服务器过程自行略过，不是本文重点。

直接运行如下命令进行安装 Git 以及 Python。

yum install -y git python-pip

![在这里插入图片描述][a045c2a4457b4beba5388a5ef46ce8e1.png]

等待安装进度，之后出现 Completed 表示安装成功。

接着我们安装 Python 的 requests 依赖包

pip install requests
    或者
    pip3 install requests

这里直接使用的 pip3 进行安装的如下图所示  
![在这里插入图片描述][b218deb4026348fd8f8fb51095b346d4.png]

#### 3.3 安装 qcloudapi-sdk-python ####

直接使用下面的命令进行克隆 qcloudapi-sdk-python

cd /data/nlp/
    git clone https://github.com/QcloudApi/qcloudapi-sdk-python

执行过程如下：

[root@VM-8-7-centos ~]# cd /data/nlp/
    [root@VM-8-7-centos nlp]#
    [root@VM-8-7-centos nlp]# git clone https://github.com/QcloudApi/qcloudapi-sdk-python
    Cloning into 'qcloudapi-sdk-python'...
    remote: Enumerating objects: 813, done.
    remote: Total 813 (delta 0), reused 0 (delta 0), pack-reused 813
    Receiving objects: 100% (813/813), 122.81 KiB | 0 bytes/s, done.
    Resolving deltas: 100% (476/476), done.
    [root@VM-8-7-centos nlp]# ll
    total 4
    drwxr-xr-x 5 root root 4096 Jan 31 21:51 qcloudapi-sdk-python

![在这里插入图片描述][f7cf5a1a51994f639faaa568b22bb51f.png]

#### 3.4 部署腾讯云的自然语言处理 NLP 服务 ####

在 /data/nlp/qcloudapi-sdk-python 下创建 wenzhi.py 文件，代码内容如下，将 SecretId 和 SecretKey 字段修改为 3.2 所创建的对应取值

Python 代码如下：

#!/usr/bin/python
    # -*- coding: utf-8 -*-
    
    from QcloudApi.qcloudapi import QcloudApi
    
    module = 'wenzhi'
    
    '''
    action 对应接口的接口名，请参考wiki文档上对应接口的接口名
    '''
    action = 'TextSentiment'
    
    config = {
        
        'secretId': '之前取得的 secretId',
        'secretKey': '之前取得的 secretKey',
        'Region': 'gz',
        'method': 'POST'
    }
    
    '''
    params 请求参数，请参考wiki文档上对应接口的说明
    '''
    params = {
        "content": "大A股挺住啊，加油！不能再跌了！"}
    
    try:
        service = QcloudApi(module, config)
    
        # 生成请求的URL，不发起请求
        print service.generateUrl(action, params)
        # 调用接口，发起请求
        print service.call(action, params)
    except Exception, e:
        print 'exception:', e

上述的代码调用的相关参照如下：

![在这里插入图片描述][ae749724f9b047a0956a6ca93ba1cb98.png]

执行以下命令，就可以得到对 “大A股挺住啊，加油！不能再跌了！” 这句话的情感分析结果。

cd /data/qcloudapi-sdk-python
    python wenzhi.py

得到类似如下的结果， 证明调用成功。

{
        "code":0,"message":"","codeDesc":"Success","positive":0.99481022357941,"negative":0.0051898001693189}

上面的各字段的含义如下：

positive    正面情感概率
    negative    负面情感概率
    code        0表示成功，非0表示失败
    message     失败时候的错误信息，成功则无该字段

如果你想要更多相关接口和文档， 请访问 [NLP服务][NLP] 获取更多信息。

### 四、文末个人总结 ###

和很多服务类似腾讯云的 NLP 服务同样有自己的 API 调用，并且部署调试过程也比较简单，如果有类似的需求，你可以直接参看上述的实例中进行操作。

以自身的经历及经验来讲，实际上腾讯云的 NLP服务可以在多个领域进行应用，比如：银行、保险、证券、政务等领域，经常有大量的文档需要投入人力进行整理、提炼和归档，可以使用腾讯云 NLP 的关键词提取和文本分类接口，快捷、高效地完成结构化抽取，有效辅助人工，降低人力参与成本。这无疑是非常符合当代企业的降本增效主题。希望本篇文章对你有所帮助。

[0b6b8d7603d6436ca40fda9058911546.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/e751e8aaef264ec1b99dede0d27b57b7.png
[Link 1]: https://cloud.tencent.com/product/nlp?developercode=47e0qHR3
[06e0c51fa08742bf97501a15a05145df.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/f0f98f06057345419045e6fb2d8d76ff.png
[Link 2]: https://console.cloud.tencent.com/nlp?developercode=47e0qHR3
[6ccb0ce70e9841a8bdc0e34f65491ad7.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/87f2797de8a34cad9465f8400b9da246.png
[6fd9c2a441a44792a7339cc71ef7da3d.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/7dd2dc87d8e14b5ebf8f3003d1d490fa.png
[Link 3]: https://console.cloud.tencent.com/cam/capi
[339394a7a194420b9cd4bf0c2ce2eaa9.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/67cb26f09b1247cabfc89e3512b10554.png
[2989f2b894684d3fb24cd0297a51c247.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/d538c5fe36eb4cfaab6f72574767a2c0.png
[6b8fc1712bae494682a295714d4577d0.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/fd5a0c3878cb458b8647b4b27babc04a.png
[a045c2a4457b4beba5388a5ef46ce8e1.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/ab712637c7ed422da2f3f909009f327d.png
[b218deb4026348fd8f8fb51095b346d4.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/bcd9932e4c4649cfb8eb31607631038e.png
[f7cf5a1a51994f639faaa568b22bb51f.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/af0443b3835f460eae5fe24c28871dbd.png
[ae749724f9b047a0956a6ca93ba1cb98.png]: https://image.dandelioncloud.cn/pgy_files/images/2024/04/22/383a0067b1034d1d940085dacdb535c5.png
[NLP]: https://cloud.tencent.com/document/product/271/35483