现在提供各种在线情感分类服务。诸如Google，Amazon或Microsoft之类的巨头为自然语言处理提供了云解决方案。但是，如果您不打算为1000个API呼叫支付1-2美元（当评论具有超过1000个字符时的价格上涨）和/或准备准备您的本地分类服务或程序，则可以使用离线分类器。本文将在本文中讨论一些脱机情况的.NET分类器。 以下主题将在此处介绍：

什么是情感分类（分析）？

情感分类是一种强大的方法，可以更好地了解客户对您的产品或服务的感觉。它还可以帮助您完成品牌监控任务。情感分类使您可以对他们在社交媒体，博客或文章中发布的人们的情绪和反馈进行分类。有几种常见的分类法用于情感分类。

  • 二进制： * 消极的; * 积极的;
    • 3类：
      • 消极的;
      • 中性的;
      • 积极的;
    • 5堂课
  • 从1到5星 在所有情况下，负面情绪是分析最重要的。因此，情感分类器应该解决的主要任务看起来像“文字是负面的？”和“这有多少负面？”。

度量

准确性是一个简单明显的指标。当课程不平衡时，它具有众所周知的缺点。但是，它可以用于我们的平衡课程。它也被广泛用于科学文献中。 下面列出的分类器只能在二进制分类任务中进行比较，因为其中一个没有“中性”类。

离线情感分类（C#）

有多个C#库可以通过Google，Nuget E.T.C.找到。但是应该手动检查它们，因为其中许多实际上只是云API的SDK。在手动验证情感分类c#库后，收集了下一个软件包：

  • groupDocs.Classification;
  • vadersharp;
  • Stanfordnlp;
  • sentermentanalyzer;
  • wikiled; 他们都是离线情感分类C#库。让我们更详细地描述它们。

groupdocs.classification

许可证：许可证文件

安装的复杂性：简单 **准确性：**93.3（评估） / 96.3（许可）{.wp-block-neading} groupDocs.classification是一个具有自己内置引擎的库，用于文本和文档分类。模型也是A Nuget软件包的一部分。安装很简单：您只需要安装Nuget软件包即可。评估版本和许可版本之间存在差异。对于评估版本，您应该将文本分为100个字符的块，然后平均结果。 GroupDocS.分类显示在评估模式中的精度为93.3％，使用许可证时为96.3％。

vadersharp

许可证：麻省理工学院

安装的复杂性：简单 准确性：77.6％{.WP-Block-neading} Vadersharp是C#情感分类的流行解决方案（分析）。它可以很快工作，并在普通的家用PC上每秒处理消息，而不是服务器机器。安装也很简单（只需安装Nuget软件包）。但是，还有一个重要的缺点：准确性不如处理时间那么完美。它在测试数据集上达到了78％的精度。

StanfordNLP

许可证：GPL V2

安装的复杂性：硬。 精度：70％{.WP-Block-neading} Stanford NLP是基于自然语言处理的相应Java库的C#库。安装有一些困难。有必要安装Stanford NLP的Java版本，并在必要时将模型复制到程序的当前目录。 .NET Core 3.0兼容性也存在问题。该库的准确性和处理时间不稳定，似乎取决于文本长度。对于SST-2数据集的简短文本，它可以通过示例处理时间秒实现80.2％的精度。对于跨域一的较长文本，精度降至70％。每个文本的处理时间增加到1分钟或更多。

MentimentAnalyzer

许可证：麻省理工学院

安装的复杂性：媒介 精度：79.1％{.WP-Block-neading} 该库为ml.net基于。在安装过程中，可能存在与ML.NET的工作有关的问题。这是一个不安全的库，它需要明确的配置（x86 / x64），并且您可能还需要安装一些依赖项。 MentimentAnalyzer返回正类别或负类和相应的分数。这就是将二进制分类任务用于该比较的原因。最好的结果可以通过精确选择的阈值来实现。优化阈值后，精度达到了79％。

wikiled

许可证：Apache许可证2.0

安装的复杂性：简单 精度：无{.wp-block-neading} 另一个C#情感分类库是Wikiled。该库应在测试前进行培训，以产生足够的结果。因此无法计算库的精度。

数据集

我们使用跨域数据集进行测试。 groupDocs.classification尚未对其进行培训。其余图书馆很可能也没有在培训中使用它。我们将通过电子邮件将结果发送给任何感兴趣的方。请在相应的github repo中创建一个问题。 14: Stanford Sentiment Treebank (Socher et al. 2013. Recursive deep models for semantic compositionality over a sentiment treebank. In proc. EMNLP).

结果

表1显示了实验分类器的准确性（％）。 表格1。

SST-2跨域
GroupDocs.Classification93.3 （许可：94.7）93.3 （许可：96.3）
senterimentanalyzer58.579.1
斯坦福大学NLP80.7〜70
vadersharp68.777.6
其中大多数显示了这两个数据集的不同结果。这种行为的原因似乎是SST-2文本比跨域文本短。斯坦福NLP测试在Crossdomain上的文本超过500个字符的杂种测试中也有一些悬挂。这就是为什么以“〜”标记的跨域精度的原因。

常见错误分析

以下错误分类是典型的： _“就像它的明星，它的态度和遗忘一样。” _ - 很难理解该人的含义。 _“一个表现良好且有意出色的侦探。” 或“ gee，第二次刺客射击肯尼迪？” _ - 讽刺或讽刺。 _“ moot点” _ - 太短文本。 此类问题发生在所有情感分类（分析）产品中。例如，讽刺，它是主观的。因此，很难训练讽刺模型，并且很难正确对其进行分类。但是，我们希望这些弱点将在不久的将来消除。

结论

虽然上述所有库都是C#中的情感分类，但groupDocs.classification是最准确的。因此，在大量提及和/或评论中，这是搜索负面或积极情绪的最佳选择。总之，应该指出的是，还有一个重要的情况，即负/中性/阳性分类。将来还将考虑它。

代码

我们提供了用于此博客的代码： {{LINE_90}}