Sentiment: анализ тональности текста

ml5.js предоставляет высокоуровневый интерфейс для работы с машинным обучением в браузере. Одной из ключевых моделей для анализа текста является Sentiment, предназначенная для определения эмоциональной окраски текста: положительной, отрицательной или нейтральной. Модель построена на основе LSTM (Long Short-Term Memory) сетей, что позволяет учитывать последовательность слов и контекст.

Подключение и инициализация модели

Для работы с Sentiment необходимо подключить библиотеку ml5.js через CDN или локальный файл:

<script src="https://cdnjs.cloudflare.com/ajax/libs/ml5/0.12.2/ml5.min.js"></script>

Создание экземпляра модели осуществляется с помощью функции ml5.sentiment(), которая возвращает объект модели после загрузки:

let sentiment;

function setup() {
  sentiment = ml5.sentiment('movieReviews', modelReady);
}

function modelReady() {
  console.log('Модель Sentiment загружена и готова к использованию');
}

Ключевые моменты:

  • 'movieReviews' — предобученная модель для анализа отзывов о фильмах, которая демонстрирует универсальный подход к определению тональности текста.
  • Модель загружается асинхронно, поэтому работа с ней возможна только после вызова коллбэка modelReady.

Основные методы и использование

Экземпляр Sentiment предоставляет метод predict(text), который возвращает оценку тональности текста.

let text = "I really enjoyed this movie!";
let prediction = sentiment.predict(text);
console.log(prediction);

Особенности результата:

  • score — числовое значение от 0 до 1, где 0 соответствует отрицательной, а 1 — положительной тональности.
  • Внутренние детали модели позволяют учитывать контекст, например, наличие отрицательных частиц и эмоционально окрашенных слов.

Пример работы с оценкой:

if (prediction.score > 0.66) {
  console.log("Тональность: положительная");
} else if (prediction.score < 0.33) {
  console.log("Тональность: отрицательная");
} else {
  console.log("Тональность: нейтральная");
}

Применение в реальном времени

Sentiment можно использовать для анализа текста, введённого пользователем в браузере, с обновлением оценки в реальном времени. Пример с HTML-формой:

<input type="text" id="userText" placeholder="Введите текст">
<button oncl ick="analyzeText()">Анализировать</button>
<p id="result"></p>

<script>
function analyzeText() {
  let text = document.getElementById('userText').value;
  let prediction = sentiment.predict(text);
  document.getElementById('result').innerText = 
    `Score: ${prediction.score.toFixed(2)}`;
}
</script>

Особенности реализации:

  • Тональность обновляется после каждого нажатия кнопки.
  • Можно добавить градацию цвета или иконки для визуального отображения эмоциональной окраски текста.

Обработка больших массивов текста

Для анализа большого объёма данных удобно использовать циклы и асинхронные функции. Пример обработки массива отзывов:

let reviews = [
  "The movie was fantastic!",
  "I didn't like the film at all.",
  "It was okay, nothing special."
];

reviews.forEach(review => {
  let result = sentiment.predict(review);
  console.log(`Текст: "${review}" — Score: ${result.score.toFixed(2)}`);
});

Рекомендации по работе с массивами:

  • Предобработка текста (удаление лишних пробелов, символов, перевод в нижний регистр) повышает точность оценки.
  • Для больших массивов рекомендуется использовать setTimeout или requestAnimationFrame для предотвращения блокировки интерфейса.

Интеграция с визуализацией

Анализ тональности можно объединять с графическими библиотеками, например, p5.js, для создания динамических визуализаций:

let texts = ["I love this!", "Not good.", "Amazing experience!"];

function setup() {
  createCanvas(400, 200);
  textSize(16);
  
  texts.forEach((t, i) => {
    let score = sentiment.predict(t).score;
    fill(score * 255, 0, (1 - score) * 255);
    text(`${t} — ${score.toFixed(2)}`, 10, 30 + i * 30);
  });
}

Эффект:

  • Цвет текста динамически отражает эмоциональную окраску: от красного (отрицательная) до зелёного (положительная).
  • Простая визуализация позволяет мгновенно оценить эмоциональный фон множества текстов.

Возможные улучшения и кастомизация

  • Создание собственной модели Sentiment на пользовательских данных с использованием TensorFlow.js.
  • Комбинация с другими ml5.js моделями, например, TextClassifier для детального тематического анализа.
  • Интеграция с веб-сервисами, чат-ботами или анализом комментариев в социальных сетях.

Sentiment в ml5.js обеспечивает мощный и интуитивно понятный инструмент для работы с эмоциональной окраской текста, позволяя создавать интерактивные веб-приложения с анализом тональности в реальном времени.

Оглавление