企业官网建设流程全解析

ML-For-Beginners NLP 实战：用 TextBlob 对艾米莉·狄金森诗歌做情感分析并与 Azure 文本分析对照（Poetic License 作业全解）

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners

本篇文章围绕 ML-For-Beginners 课程《翻译与情感分析》（6-NLP/3-Translation-Sentiment）的课后作业「Poetic license（诗意的自由）」展开：你将学习如何用TextBlob对艾米莉·狄金森（Emily Dickinson）的 500 余首诗歌进行情感极性分析，并将TextBlob给出的"建议情感"与 Azure 文本分析（Azure Text Analytics）这一更成熟的服务判定进行对照与批判性讨论。读完本文，你将掌握基于词袋特征的文本情感打分方法、句级极性的批量统计脚本，以及评估 NLP 情感模型时"为什么结果会出错"的分析框架。

作业背景：给诗歌做"情感体检"

作业原文（德语版见 translations/de/6-NLP/3-Translation-Sentiment/assignment.md，英文版见 6-NLP/3-Translation-Sentiment/assignment.md）描述了一个非常典型的对比实验场景：

在一个由 jenlooper 发布、收录了 500 余首艾米莉·狄金森诗歌的数据集中，每首诗此前已用 Azure 文本分析完成了情感标注（sentiment analysis）。请使用本课（README）中介绍的技术——即TextBlob的情感分析——对这一数据集进行分析，并回答：

1. TextBlob给出的"建议情感"是否与更成熟的 Azure 服务判定一致？为什么一致或不一致？
2. 有没有让你感到意外的结果？

作业名称 "Poetic license"（诗意的自由/诗学特许）本身就是提示：诗歌是情感表达最浓缩、最"不走寻常路"的文体，恰恰是词面情感与真实情感最容易脱节的场景——这正是检验情感分析算法鲁棒性的绝佳试金石。

该作业位于 NLP 课程的第三课（6-NLP），前序课程已经讲解了如何用TextBlob构建基础 Bot（如名词短语抽取），本课则把焦点转向两大计算语言学难题：机器翻译与情感分析。作业聚焦情感分析部分，但翻译部分提出的"逐词直译会闹笑话"的思想实验，与情感分析"逐词打分会误判"的缺陷在本质上是同一类问题。

前置知识：TextBlob 的情感打分原理

在动手写分析脚本之前，需要先吃透课程正文给出的两个关键概念：极性（polarity）与主观性（subjectivity）。

极性（Polarity）与主观性（Subjectivity）

课程正文（6-NLP/3-Translation-Sentiment/README.md）明确说明：

• 极性：取值-1 ~ 1，-1为最负面情感，1为最正面情感；
• 主观性：取值0 ~ 1，0表示完全客观（事实陈述），1表示完全主观（观点/感受）。

TextBlob内部封装了机器学习/词典式的打分逻辑，我们无需自建情感计算器，直接调用blob.sentiment即可同时拿到polarity与subjectivity。课程中演示了用《傲慢与偏见》（Pride and Prejudice）首尾两句做情感分析的代码：

from textblob import TextBlob quote1 = """It is a truth universally acknowledged, that a single man in possession of a good fortune, must be in want of a wife.""" quote2 = """Darcy, as well as Elizabeth, really loved them; and they were both ever sensible of the warmest gratitude towards the persons who, by bringing her into Derbyshire, had been the means of uniting them.""" sentiment1 = TextBlob(quote1).sentiment sentiment2 = TextBlob(quote2).sentiment print(quote1 + " has a sentiment of " + str(sentiment1)) print(quote2 + " has a sentiment of " + str(sentiment2))

输出为：

It is a truth universally acknowledged, that a single man in possession of a good fortune, must be in want of a wife. has a sentiment of Sentiment(polarity=0.20952380952380953, subjectivity=0.27142857142857146) Darcy, as well as Elizabeth, really loved them; and they were both ever sensible of the warmest gratitude towards the persons who, by bringing her into Derbyshire, had been the means of uniting them. has a sentiment of Sentiment(polarity=0.7, subjectivity=0.8)

可以看到：第二句含有loved、warmest gratitude等强正向词，极性得分（0.7）和主观性得分（0.8）都明显更高；而第一句作为客观陈述，两个分数都偏低。极性符号（正/负）与绝对值大小就是我们在诗歌数据集上做批量判定的核心依据。

非 ML 方法的致命弱点：讽刺与反语

课程正文用一个经典例子说明了"只认正负词"的朴素算法的局限：句子Great, that was a wonderful waste of time, I'm glad we are lost on this dark road实际上是一句充满讽刺的负面句子，但简单算法会把great、wonderful、glad计入正向，把waste、lost、dark计入负向，最终被相互冲突的词汇左右，得出错误结论。

这个案例直接预告了诗歌作业中可能出现的现象：诗歌中大量使用反讽、反语、隐喻和非常规搭配，词面情感与真实情感往往错位。这也是课程在"知识检查"（Knowledge Check）中要求你逐一审视《傲慢与偏见》里那些被判为"绝对正向"却读起来并不正向的句子的原因——例如：

• Happy shall I be, when his stay at Netherfield is over!（"他的离开让我高兴"，含有happy却被误判为正向）——本质是在表达对某人离去的高兴，语境是负向的；
• If I could but see you as happy!（一个愿望式感叹）；
• Our distress, my dear Lizzy, is very great.（含distress，但被词法特征拖向错误方向）。

同理，被判为"绝对负向"的句子则多因出现disgusted、dreadful等词。这套"逐句追问：它理解语义吗？你同意这个分数吗？"的批判性方法，就是诗歌作业的核心分析套路。

分析流程：从数据到结论的四步实现

作业没有要求从零构建情感分类器，而是要求"使用课程中描述的技术"（即TextBlob）进行批量分析。仓库中的参考答案 6-NLP/3-Translation-Sentiment/solution/notebook.ipynb 给出了一套与课程《傲慢与偏见》挑战（check sentiment polarity）完全一致的实现骨架，直接套用于狄金森诗歌即可。

第 1 步：准备数据

对于《傲慢与偏见》挑战，课程给出的步骤是：从 Project Gutenberg 下载文本副本，删除开头和结尾的元数据，只保留正文。诗歌作业同理：先获取狄金森诗歌数据集（作业所指向的 Kaggle 笔记本中已含 Azure 文本分析标注），并按需清洗——去除题录、编号、空行等干扰信息。

# You should download the book text, clean it, and import it here with open("pride.txt", encoding="utf8") as f: file_contents = f.read()

注意encoding="utf8"参数：处理非 ASCII 文本（包括狄金森诗中的破折号、引号变体）时必须显式指定编码，否则容易触发解码错误。

第 2 步：构建 TextBlob 并初始化容器

将整份文本一次性喂给TextBlob，它会自动完成分句（sentence segmentation），随后我们遍历其.sentences属性：

from textblob import TextBlob book_pride = TextBlob(file_contents) positive_sentiment_sentences = [] negative_sentiment_sentences = []

第 3 步：按极性阈值筛选句子

作业与挑战的约定是：极性为1或-1的句子视为"绝对正向/绝对负向"。遍历全部句子，把命中极端的句子分别收集起来：

for sentence in book_pride.sentences: if sentence.sentiment.polarity == 1: positive_sentiment_sentences.append(sentence) if sentence.sentiment.polarity == -1: negative_sentiment_sentences.append(sentence)

针对诗歌场景，可以在此基础上升级为区间判断（例如polarity >= 0.5视为正向、<= -0.5视为负向），以覆盖更多"接近绝对"的样本，从而获得更充足的对比语料。

第 4 步：输出统计与逐句清单

print("The " + str(len(positive_sentiment_sentences)) + " most positive sentences:") for sentence in positive_sentiment_sentences: print("+ " + str(sentence.replace("\n", "").replace(" ", " "))) print("The " + str(len(negative_sentiment_sentences)) + " most negative sentences:") for sentence in negative_sentiment_sentences: print("- " + str(sentence.replace("\n", "").replace(" ", " ")))

replace("\n", "").replace(" ", " ")是为了把分句时残留的换行与缩进压平，让每首诗以单行形式打印，便于人工逐条核对。

对照 Azure 判定：建立差异清单

拿到TextBlob的逐句（或逐首）极性后，与数据集里 Azure 文本分析给出的情感标注对齐：

1. 对每首诗，将TextBlob极性符号（正/负/中性）与 Azure 的情感标签（positive/negative/neutral/mixed）做成一一对应的对照表；
2. 统计一致与不一致的比例区间，找出系统性偏差（例如：TextBlob是否在含Heaven、Eternity、Immortality等词的宗教主题诗中系统性偏向正向？）；
3. 对不一致样本做细读（close reading），判断是模型错了、Azure 错了，还是"情感"本身在诗学语境中就是模糊的。

需要强调的是：诗歌的情感极性往往取决于句法结构与修辞意图，而TextBlob的判定主要基于词级特征——这正是课程知识检查反复追问的问题："情感基于句子中出现的词，但代码真的'理解'这些词吗？"狄金森诗作以大量破折号、非常规大小写、抽象意象著称，其句子结构与《傲慢与偏见》的散文相差悬殊，分词/分句环节的误差会直接传导到情感得分上，这是分析时值得特别记录的现象。

结果解读：四个必须回答的问题

作业要求回答"是否一致、为什么、有什么意外"，可以沿以下四个维度组织你的分析结论：

1. 总体一致性：两套体系在多大比例上给出相同方向的情感？给出你统计出的数值区间并说明阈值定义。
2. 系统性偏差：TextBlob更依赖显性情感词（happy、sad、dreadful 等），而 Azure 文本分析作为企业级服务，融合了更复杂的模型与多语言资源（课程 Review 部分将其列为"更精细的企业级情感分析系统"的进阶阅读对象），对反讽、否定结构（如 "no joy"）通常更敏感。可以从样本中找出能体现这种差异的具体诗句。
3. 意外之处：例如某首"看起来黑暗"的诗被双方判为正向，或一首直白悲伤的诗被TextBlob判为中性——找出 2~3 个最能说明问题的反例，并尝试解释（词汇误导、分句错误、比喻修辞等）。
4. 你的立场：课程要求"你是否同意这些分数？"——结合狄金森的写作风格（对死亡的冷静凝视、对自然与永恒的赞颂常同时呈现）讨论：是否存在"模型正确而人类直觉偏差"的情况，以及情感分析在诗歌这种高度主观文体上的本质边界。

评分标准：什么样的作业算"扎实"

作业原文给出了三档评价标准（Rubric），这也是你自查作业完成度的清单：

所谓"扎实的分析"，结合课程正文的判断标准，至少要包含：可复现的清洗与计算代码、批量统计结果、TextBlob与 Azure 判定的逐条对照、对不一致样本的细读解释，以及回答"为什么/是否意外"的书面讨论——即代码 + 数据 + 批判性解读三者缺一不可。

延伸练习与自测

• 将课程中的《傲慢与偏见》挑战（6-NLP/3-Translation-Sentiment/README.md 的 "Challenge - check sentiment polarity" 一节）完整跑通，再迁移到狄金森诗歌上，比较两种文体下"绝对极性句"的数量与质量差异。
• 尝试课程 Review 部分提出的问题：企业场景（如客服邮件分类、舆情监控）如何利用情感分析？结合课程正文中"议员办公室按支持/反对分拣邮件"的例子，思考情感特征（而非语义理解）驱动的模型在真实业务中的价值与风险。
• 用TextBlob对同一首诗的不同译作做情感对比，把本课翻译部分（blob.translate，底层调用谷歌翻译、需联网）与情感部分串成一条完整流水线，观察翻译前后情感极性是否漂移——这既是本课知识的综合应用，也是诗歌作业最有意思的延伸方向。

最后提醒：本作业的核心不是"跑出一个更高的准确率"，而是训练一种对 NLP 输出保持怀疑与追问的能力——这一点在情感分析这类"看似简单、实则处处是坑"的任务上，比任何模型调优都更重要。

【免费下载链接】ML-For-Beginners12 weeks, 26 lessons, 52 quizzes, classic Machine Learning for all项目地址: https://gitcode.com/GitHub_Trending/ml/ML-For-Beginners