宋海燕

摘要：隨著社會的快速發(fā)展，大學生的各種心理問題日益突出。從研究大學生心理情感的角度出發(fā)，介紹了文本情感分析模型相關(guān)理論和實現(xiàn)過程，詳細論述了應(yīng)用Python語言進行心理情感數(shù)據(jù)標注、預處理、構(gòu)建貝葉斯模型、測試模型、評估模型性能的過程，通過測試，模型預測正確率達到0.862。針對存在的問題，提出了下一步改進模型性能的實施方案，為廣泛篩查大學生的心理問題提供參考。

關(guān)鍵詞：文本情感分析；機器學習；貝葉斯算法；python語言；F1 Score

一、前言

隨著人工智能技術(shù)的不斷發(fā)展，心理測試在社會生活中的應(yīng)用越來越廣泛，對心理測試進行情感分析的需求也越來越迫切。但是由于心理測試本身的特殊性，如主觀性、被測者的不同和被測者自身情緒波動等因素，使得基于機器學習的心理測試情感分析技術(shù)成為一種有效的方法[1]。在國家相關(guān)政策的指導下，各高校十分重視學生心理健康工作，但是在開展工作時存在“兩難”問題?！耙浑y”是難發(fā)現(xiàn)：有的學生心理問題較輕或者缺乏心理健康知識，自己沒有意識到心理有問題；有的學生知道自己心理有問題，但是對周圍人產(chǎn)生警惕，不愿意表達。對于這兩類學生，教師很難發(fā)現(xiàn)他們的心理問題，也就不能在早期進行干預?！岸y”是難治療：高校心理教師少，學生多，師資力量薄弱。對于心理問題較嚴重的學生，教師很難多次長期開展心理療愈[2]。針對上述問題，應(yīng)用機器學習技術(shù)，本文提出基于貝葉斯算法的心理測試情感分析模型，便于開展學生早期心理問題篩查，幫助學校做好學生心理問題防御工作。

二、文本情感分析

文本情感分析，又稱傾向性分析或意見挖掘，是對帶有感情色彩的主觀性文本進行分析、處理、歸納和推理的過程。常見的情感分析方法有兩種：基于情感詞典的分析方法和基于機器學習的分析方法[3]。基于情感詞典的分析方法，是通過制訂一系列的情感詞典和規(guī)則，拆解文本、分析句法、計算情感值，使用情感值判斷文本的情感傾向。此方法簡單，應(yīng)用廣泛，但是遇到新詞或者特殊詞就無法識別，擴展性不好[4]?；跈C器學習的分析方法，通常會把問題轉(zhuǎn)換成分類問題看待，將目標情感分為“正、負”兩類，或者根據(jù)情感程度的不同劃分為1-5類，然后人工標注訓練文本，進行有監(jiān)督的機器學習。例如，樸素貝葉斯就是經(jīng)典的機器學習算法之一，也是極少的基于概率論的分類算法。它的思想基礎(chǔ)是：對于給出的待分類項，求解在此項出現(xiàn)的條件下各個類別出現(xiàn)的概率，哪個最大，就認為此待分類項屬于哪個類別[5]。

本文采用基于機器學習的情感分析方法，開展大學生心理測試。開展測試時，教師給學生提供一個寬松的生活場景、顏色或圖片，讓學生寫一段文字，在文字中會包含情感傾向的詞語，如正向詞語“高興、開心”，反向詞語“難過、痛苦”，中性詞語“吃飯、睡覺”等等。教師收集到這些文字后，經(jīng)過數(shù)據(jù)標注等預處理操作，再輸入到模型中，開展心理問題篩查，初步診斷學生的心理健康狀況。

三、數(shù)據(jù)預處理

收集到原始文本后，需要進行一系列數(shù)據(jù)預處理工作，主要包括數(shù)據(jù)去重、分詞、詞形歸一化、刪除停用詞。經(jīng)過這幾個階段，原始文本轉(zhuǎn)換成詞語列表，之后輸入到模型中進行訓練[6]。

（一）分詞

分詞是指將連續(xù)字符組成的語句，按照一定的規(guī)則劃分成獨立詞語的過程。不同語言具有不同的語法結(jié)構(gòu)，分詞方法也存在差異[7]。比如，英文句子中單詞和單詞之間以空格分隔，在分詞時可以使用空格作為分詞的標記，而中文句子中詞和詞之間沒有形式上的分界符，只能靠語義來理解。因此，中文分詞要比英文分詞困難很多。

根據(jù)中文的結(jié)構(gòu)特點，分詞算法分為三類：基于規(guī)則的分詞方法、基于統(tǒng)計的分詞方法、基于理解的分詞方法。

目前，文本分詞已經(jīng)有很多成熟的算法和工具，本文使用的是Jieba庫和NLTK庫。Jieba庫用于中文分詞，NLTK庫用于外文分詞。Jieba支持三種分詞模式：精確模式、全模式和搜索引擎模式。本文采用精確模式分詞，根據(jù)日常的中文語義分詞。

（二）詞形歸一化

詞形歸一化針對英文而言。在英文中，一個單詞經(jīng)常會有多種變換形式，比如cooking是cook的現(xiàn)在分詞，cooked是cook的過去式，這些會影響語料庫學習的準確度。因此，在進行機器學習前，需要把單詞的不同形態(tài)轉(zhuǎn)換成原型，稱為詞形歸一化[8]。

詞形歸一化主要有兩種方法：詞干提取和詞形還原。詞干提取是指刪除不影響詞形的詞綴，得到單詞詞干的過程，只能提取規(guī)范的詞形變換，例如將cooking變?yōu)閏ook。詞形還原不僅可以提取規(guī)范的詞形變換，還能夠捕捉不規(guī)范的詞形變換，例如將better變?yōu)間ood。

NLTK中的stem模塊提供了多種詞干提取器，如波特詞干提取器、蘭卡斯特詞干提取器。同時stem模塊也提供了詞形還原類WordNetLemmatizer，在使用此類前，要確保已安裝WordNet語料庫。

（三）刪除停用詞

停用詞是指在自然語言中沒有實際意義的字或詞，如英文單詞“a”“the”，中文單詞“啊”“吧”等。停用詞的存在增加了文本的特征難度，降低了文本分析的效率，停用詞過多時還有可能導致數(shù)據(jù)分析結(jié)果的較大偏差，因此，通常在數(shù)據(jù)預處理過程中將它們刪除[9]。

停用詞是人工輸入的一個文本文檔，稱為停用詞表。中文停用詞表主要有中文停用詞庫、哈工大停用詞表、百度停用詞表。NLTK中自帶外文停用詞表，使用前要先安裝stopwords語料庫。

四、樸素貝葉斯算法

樸素貝葉斯算法（Naive Bayesian algorithm）是使用概率統(tǒng)計的方法對樣本數(shù)據(jù)集進行分類，是應(yīng)用最廣泛的分類算法之一。它假設(shè)特征條件之間相互獨立，先通過給定的訓練集，學習從輸入到輸出的聯(lián)合概率分布，再基于學習到的模型，對給定的輸入X求出后驗概率最大輸出Y。貝葉斯算法結(jié)合了先驗概率和后驗概率，避免了只使用先驗概率的主觀偏見，也避免了單獨使用樣本信息的過擬合現(xiàn)象。貝葉斯公式如下[10]：

五、基于貝葉斯算法的心理測試模型設(shè)計與實現(xiàn)

（一）數(shù)據(jù)來源

本文采集陽光心理論壇1294份情感文本進行實例分析建模，通過人工標注將文本分成“積極”和“消極”兩類情感數(shù)據(jù)。情感文本表達的畫面充滿活力，如陽光明媚、美麗等，被認為是“積極”情感；畫面中性，如客觀描述一個事物，也被認為是“積極”情感；畫面昏暗無光，如毛骨悚然、黑洞等，被認為是“消極”情感。進行數(shù)據(jù)標注時，“積極”情感用1表示，“消極”情感用-1表示。文本部分內(nèi)容和標簽如圖1所示。

（二）數(shù)據(jù)預處理

1.刪除重復值

在采集的情感文本中使用data = data.drop_duplicates（）刪除重復的數(shù)據(jù)，提高分析的準確性。執(zhí)行完此語句后，文本數(shù)據(jù)量仍然是1294條，說明采集到的文本中沒有重復值。

2.分詞

導入中文分詞工具Jieba庫，調(diào)用jieba.lcut（）方法，使用精確模式劃分情感文本，部分分詞結(jié)果如圖2所示。

從圖2中可以看出，“世外桃源”“紅彤彤”“太陽”這些詞能夠表達情感和心情，將這些詞保存下來進行下一步的機器學習；而“這”“是”“個”這些詞沒有實際的含義，對分析結(jié)果沒有價值，屬于停用詞，需要刪除。

3.刪除停用詞

本文從百度下載停用詞表，此表是文本文件，可以根據(jù)需要自行添加停用詞。先加載停用詞表，再從分詞表cut_word中，依次選取每個詞，判斷是否在停用詞表中，如果不在，則放入一個新列表中，最終得到的新列表就是后續(xù)機器學習用到的數(shù)據(jù)表。新數(shù)據(jù)表如圖3所示。

（三）心理測試模型

1.構(gòu)建數(shù)據(jù)集

情感文本data中的每段描述text都需要進行上述的文本預處理，轉(zhuǎn)換成新數(shù)據(jù)表，新數(shù)據(jù)表和對應(yīng)的label標簽合并成一個列表，合成包含1294個列表的數(shù)據(jù)集，如圖4所示。

2.劃分數(shù)據(jù)集

將上述構(gòu)建好的數(shù)據(jù)集劃分成兩類：訓練集和測試集。本文選取前1100條數(shù)據(jù)作為訓練集，剩下的194條數(shù)據(jù)作為測試集。訓練集用來訓練模型；測試集使用訓練好的模型進行預測分析，并為每條數(shù)據(jù)貼上標簽“1”或“-1”，以判斷是積極情感還是消極情感。將人工標注的標簽與分析預測結(jié)果標簽做比對，以此評價模型的準確度。

3.建立貝葉斯模型

導入貝葉斯分類器，建立貝葉斯模型，使用上述訓練集訓練模型。

from nltk.classify import NaiveBayesClassifier

demo_model = NaiveBayesClassifier.train（train_data[0：1099]）

（四）模型測試

使用訓練好的貝葉斯模型，用194條測試數(shù)據(jù)集測試模型，測試結(jié)果如圖5所示。

從測試結(jié)果可以看出，文本1的描述是積極的，測試結(jié)果是1，也是積極的；文本2的描述是消極的，測試結(jié)果是-1，也是消極的；文本3是消極的，但是測試結(jié)果是1，是積極的。對于文本1和文本2，在訓練文本中出現(xiàn)過其中的關(guān)鍵詞，所以機器學到了，就能給出正確的判斷；對于文本3，在訓練文本中沒出現(xiàn)過的關(guān)鍵詞，機器沒有學會，給出了錯誤的判斷。因此，對于模型的訓練需要大量數(shù)據(jù)，數(shù)據(jù)量越大，模型越準確，性能越高。

（五）性能評價

模型訓練好后，使用正確率、精度、召回率、F1 Score幾個指標衡量模型的性能，如表6所示。

從圖6可以看出，模型的正確率為0.862，預測結(jié)果良好。

六、結(jié)語

本文使用Python語言構(gòu)建心理測試貝葉斯模型，取得了良好的預測效果，但是也存在一些不足。下一步，計劃從以下三個方面入手，提高模型的性能。一是增加測試樣本數(shù)據(jù)。機器學習是一種數(shù)據(jù)驅(qū)動型技術(shù)，海量數(shù)據(jù)與機器學習算法結(jié)合才能帶來預測效果的提升。數(shù)據(jù)量不足時，機器學習容易出現(xiàn)過擬合，泛化效果差。二是保證測試樣本數(shù)據(jù)分布均衡。選取測試樣本時，正向樣本和負向樣本數(shù)量盡量保證均衡，防止出現(xiàn)某類樣本測試正確率高而另一類樣本低的情況。三是大規(guī)模開展學生測試。網(wǎng)絡(luò)獲取的數(shù)據(jù)人員結(jié)構(gòu)比較復雜，不一定完全符合大學生的心理狀態(tài)，因此在大學生群體中開展測試，獲得測試樣本數(shù)據(jù)，測試結(jié)果更有針對性。

參考文獻

[1]Zhai S， Zhang ZM. Semisupervised autoencoder for sentiment analysis[C]//Thirtieth AAAI Conference on Artificial Intelligence. AAAI Press， 2016.

[2]黑馬程序員.python數(shù)據(jù)分析與應(yīng)用[M].北京：中國鐵道出版社有限公司，2021.

[3]胡夢雅，樊重俊，朱玥.基于機器學習的微博評論情感分析[J].信息與電腦，2020，32（12）：71-73.

[4]宋冠諭，程登，張森，等.基于情感詞典的文本情感分數(shù)計算模型[J].信息與電腦（理論版），2021，33（22）：56-58.

[5]胡晶.基于樸素貝葉斯的新聞分類問題算法改進問題的研究[J].電腦與信息技術(shù)，2023，31（2）：5-8.

[6]劉鑫，王皓晨，黃宇煦.基于樸素貝葉斯分類的電信詐騙信息的識別[J].計算機時代，2023，370（4）：29-32+38.

[7]鄧慈云，余國清.基于樸素貝葉斯的影評情感分析研究[J].智能計算機與應(yīng)用，2023，13（2）：210-212+217.

[8]魏超.機器學習算法在大學生綜合素質(zhì)測評預警中的對比研究[J].電腦編程技巧與維護，2022，450（12）：127-129.

[9]陳可嘉，夏瑞東，林鴻熙，等.基于在線評論的顧客滿意感地區(qū)差異分析[J].福州大學學報（哲學社會科學版），2022，36（6）：69-75.

[10]王恒，唐孝國，郭俊亮.基于電商評價的文本情感分析研究與應(yīng)用[J].黑龍江科學，2022，13（12）：29-31.

基金項目：2019年度內(nèi)蒙古自治區(qū)高等學校產(chǎn)學研科技創(chuàng)新平臺項目“新工科ICT信息服務(wù)技術(shù)中心”（課題編號：NJCXY-19-03）