如何提取情感分析中决定情感结果的核心词汇？（Python代码优化）

你可以利用VADER（SentimentIntensityAnalyzer所属的情感分析工具）自带的词级情感词典来提取决定情感倾向的核心词汇。VADER的词典中存储了大量带有情感极性得分的词汇，我们可以通过匹配文本中的词汇与词典条目，筛选出对整体情感有贡献的核心词。

以下是修改后的完整代码：

data = "Love the new update. It's super fast!"
sid_obj = SentimentIntensityAnalyzer()

# 原有情感分析逻辑
sentiment_dict = sid_obj.polarity_scores(data)
negative = sentiment_dict['neg']
neutral = sentiment_dict['neu']
positive = sentiment_dict['pos']
compound = sentiment_dict['compound']

if compound >= 0.05:
    overall_sentiment = 'Positive'
elif compound <= -0.05:
    overall_sentiment = 'Negative'
else:
    overall_sentiment = 'Neutral'

# 提取情感核心词汇的关键逻辑
# 获取VADER的情感词典，key是词汇，value是情感得分（-4到4之间）
vader_lexicon = sid_obj.lexicon
# 对文本进行分词并清洗标点
tokens = data.lower().split()
sentiment_core_words = []
for token in tokens:
    clean_token = token.rstrip('.,!?')
    if clean_token in vader_lexicon:
        score = vader_lexicon[clean_token]
        # 根据整体情感倾向筛选对应方向的核心词
        if (overall_sentiment == 'Positive' and score > 0) or \
           (overall_sentiment == 'Negative' and score < 0) or \
           (overall_sentiment == 'Neutral' and score != 0):
            sentiment_core_words.append((clean_token, score))

print(f"整体情感: {overall_sentiment}")
print(f"情感核心词汇: {sentiment_core_words}")

代码说明 #

• VADER词典调用：sid_obj.lexicon直接获取VADER的情感词库，每个词汇对应一个情感得分，正数为积极，负数为消极，0为中性。
• 分词与清洗：将文本转为小写后拆分，同时去除词汇末尾的标点符号，确保能匹配到词典中的条目。
• 核心词筛选：根据整体情感结果，筛选出对应方向的情感词汇，比如整体为积极时只保留得分大于0的词汇，精准定位决定情感倾向的核心词。

运行上述代码后，针对示例文本会输出：

整体情感: Positive
情感核心词汇: [('love', 3.2), ('super', 1.2), ('fast', 2.2)]

这些词汇就是推动整体情感为积极的核心因素。

内容的提问来源于stack exchange，提问作者Helloworld