基于PMI的豆瓣電影評(píng)論文本情感分析

張琰，黃霽風(fēng)

（1.東南大學(xué)成賢學(xué)院，南京 210087；2.南京林業(yè)大學(xué)，南京 210037）

影視文化作品討論一直是網(wǎng)絡(luò)社區(qū)中的熱門板塊，觀眾在社交網(wǎng)站上對(duì)上映電影的影評(píng)不僅影響電影票房，也反映出觀眾的價(jià)值取向及網(wǎng)絡(luò)輿論的態(tài)度導(dǎo)向。以票房黑馬電影《我不是藥神》為例，采用PMI 算法對(duì)豆瓣網(wǎng)上的影評(píng)進(jìn)行文本情感分析，試圖找出觀眾對(duì)這部電影的劇情、畫面、人物塑造、導(dǎo)演、音樂、演技及電影涉及到的社會(huì)熱點(diǎn)話題的情感態(tài)度。

豆瓣影評(píng)；文本情感分析；我不是藥神；PMI

0 引言

近年來，我國(guó)電影市場(chǎng)蓬勃發(fā)展，越來越多的觀眾選擇走進(jìn)電影院觀看電影，并在網(wǎng)絡(luò)上形成熱烈討論的氛圍。如近期熱門電影《我不是藥神》講述了神油店老板程勇從一個(gè)交不起房租的商販，變成為廣大白血病患者購(gòu)買特效藥的故事，電影上映不到30 天，票房突破30 億，豆瓣評(píng)分8.9，網(wǎng)絡(luò)評(píng)論活躍。本文擬抓取豆瓣網(wǎng)上相關(guān)評(píng)論，采用詞頻統(tǒng)計(jì)方式提取關(guān)鍵詞，基于PMI 點(diǎn)互信息值計(jì)算進(jìn)行評(píng)論文本情感分析，統(tǒng)計(jì)分析影片熱議話題點(diǎn)，及觀眾對(duì)這些話題點(diǎn)的情感傾向。

1 研究方法及思路

本文對(duì)網(wǎng)絡(luò)影評(píng)的分析從兩方面入手：①觀眾對(duì)電影質(zhì)量的情感傾向分析。其中包括：劇情、畫面、人物塑造、導(dǎo)演、音樂、演技6 個(gè)因素；②觀眾對(duì)社會(huì)熱點(diǎn)問題的態(tài)度及價(jià)值取向分析。

中文文本的情感分析目前主流的方法大致分為兩種：①基于統(tǒng)計(jì)的方法；②基于機(jī)器學(xué)習(xí)的方法?；诮y(tǒng)計(jì)的方法關(guān)鍵詞選取及詞匯情感極性計(jì)算都是基于語料統(tǒng)計(jì)分析得出，機(jī)器學(xué)習(xí)的方法通過建立詞匯分類模型自動(dòng)判斷關(guān)鍵詞及情感極性。本文主要采用第一種方法，研究算法包括：

（1）詞頻統(tǒng)計(jì)法。統(tǒng)計(jì)某個(gè)詞匯在整篇語料庫(kù)中出現(xiàn)的次數(shù)。該方法主要用于評(píng)論熱議主題詞的提取，統(tǒng)計(jì)文本中所有名詞的詞頻，對(duì)出現(xiàn)次數(shù)較多的名詞進(jìn)行人工篩選；

（2）基于PMI 的詞匯極性判斷?，F(xiàn)有的情感詞典如HowNet、大連理工大學(xué)情感詞匯本體、臺(tái)灣大學(xué)情感詞典等都是通用詞典，在計(jì)算特定領(lǐng)域文本的情感極性時(shí)上述詞典的覆蓋率及準(zhǔn)確率不盡如人意，因此本文采用PMI 點(diǎn)互信息值方式構(gòu)建領(lǐng)域內(nèi)專用詞典，統(tǒng)計(jì)影評(píng)中的形容詞，以大連理工大學(xué)情感詞匯本體詞典為依據(jù)，篩選種子詞集，并計(jì)算其余形容詞與種子詞的PMI 值：

PMI(x,y)=，其中，p(x,y)表示詞x、y一起出現(xiàn)的概率，p(x)表示詞x出現(xiàn)的概率，p(y)表示詞y出現(xiàn)的概率，形容詞的情感極性判斷采用SO-PMI 算法 ：SO=PMI(w,w1)-PMI(w,w) ，若SO∈[σ1,σ2]，σ1=-σ2為某一閾值，則該詞為中性詞，SO≥σ2為褒義詞，SO≤σ1為貶義詞。

（3）句子情感極性判斷。本文在計(jì)算句子情感極性前首先提取句子主干，保留主語、謂語及表示情感極性的形容詞與副詞，對(duì)每一句話進(jìn)行情感極性分值計(jì)算。句子在不出現(xiàn)轉(zhuǎn)折詞、否定詞的情況下，情感值為句中所有情感詞極性值之和；若句中包含后一位的情感詞極性值乘以-1 后再加和；若句中包含轉(zhuǎn)折，如“即使劇情落入俗套，卻足夠動(dòng)人”這樣出現(xiàn)前后極性相反的表達(dá)，需采用人工方式判斷情感取向。

2 實(shí)證研究與分析

（1）數(shù)據(jù)抓取。使用八爪魚在豆瓣網(wǎng)上抓取兩部分評(píng)論：300 字以內(nèi)短評(píng)351 條；影片評(píng)論長(zhǎng)文刪除重復(fù)評(píng)論后共計(jì)5076 條。

（2）數(shù)據(jù)預(yù)處理。短評(píng)數(shù)據(jù)保留短評(píng)內(nèi)容，影評(píng)長(zhǎng)文保留標(biāo)題、正文，合并成一個(gè)文件“comments.txt”，并以句號(hào)、問號(hào)、感嘆號(hào)等為分隔將評(píng)論段落切分為句子，得到評(píng)論句95164 條。

（3）篩選電影質(zhì)量評(píng)論關(guān)鍵句。以電影質(zhì)量6 因素為關(guān)鍵詞篩選關(guān)鍵句共計(jì)11928 條，占評(píng)論總數(shù)的12.5%，其中，包含“劇情”的關(guān)鍵句4872 條，占5.1%；包含“畫面”的關(guān)鍵句1455 條，占1.5%；包含“人物”的關(guān)鍵句4535 條，占4.8%；包含“導(dǎo)演”的關(guān)鍵句1743條，占1.8%；包含“音樂”的關(guān)鍵句282 條，占0.3%；包含“演技”的關(guān)鍵句1111 條，占1.2%。

（4）對(duì)電影質(zhì)量評(píng)論關(guān)鍵句的情感分析。首先，采用Python 結(jié)合jieba 分詞，對(duì)評(píng)論句進(jìn)行分詞及詞性標(biāo)注，篩選出表轉(zhuǎn)折、否定的副詞共計(jì)36 個(gè)，篩選出形容詞詞集與大連理工中文情感詞匯本體庫(kù)進(jìn)行比對(duì)，確定種子詞784 個(gè)，如表1 所示1 表示褒義，2 表示貶義，0 表示中性。其次，采用基于SO-PMI 算法計(jì)算形容詞的情感極性，并對(duì)不同σ閾值下分類結(jié)果進(jìn)行評(píng)估，在σ1=-1，σ2=1時(shí)各項(xiàng)指標(biāo)值最大，準(zhǔn)確率為51.5%，召回率為93.4%，F(xiàn) 值為66%，計(jì)算了942 個(gè)情感詞匯。結(jié)果如表2 所示，褒義詞662 個(gè)、貶義詞510 個(gè)、中性詞524 個(gè)、未分類詞30 個(gè)，共計(jì)1726 個(gè)情感詞匯。

表1 電影評(píng)論句中的情感詞、種子情感詞、副詞統(tǒng)計(jì)（部分）

表2 電影評(píng)論句中的情感詞匯極性分類數(shù)量統(tǒng)計(jì)

將1726 個(gè)情感詞作為關(guān)鍵詞在電影質(zhì)量評(píng)論中篩選關(guān)鍵句，并進(jìn)行句子情感計(jì)算，其中有關(guān)“劇情”的關(guān)鍵句1171 條，褒義句394 條，貶義句154 條，中性句623 條；有關(guān)“畫面”的關(guān)鍵句129 條，褒義句54 條，貶義句45 條，中性句30 條；有關(guān)“人物”的關(guān)鍵句2103條，褒義句762 條，貶義句167 條，中性句1174 條；有關(guān)“導(dǎo)演”的關(guān)鍵句1116 條，褒義句486 條，貶義句8條，中性句546 條；有關(guān)“音樂”的關(guān)鍵句150 條，褒義句64 條，貶義句29 條，中性句57 條；有關(guān)“演技”的關(guān)鍵句559 條，褒義句504 條，貶義句30 條，中性句25 條。

（5）對(duì)社會(huì)熱點(diǎn)問題的態(tài)度及價(jià)值取向分析。本文主要從“電影人物”及“高價(jià)藥”這兩方面入手，分析觀眾對(duì)“程勇”、“黃毛”、“呂受益”、“張長(zhǎng)林”、“思慧”這幾個(gè)主要角色以及特效藥“格列寧”的態(tài)度及觀點(diǎn)，篩選包含上述6 個(gè)詞匯的關(guān)鍵句，分別進(jìn)行詞頻統(tǒng)計(jì)，表3 中顯示了排名靠前的二級(jí)關(guān)鍵詞。重復(fù)步驟4 中句子情感極性計(jì)算，表4 統(tǒng)計(jì)了各主題詞評(píng)論句的褒貶數(shù)量，共計(jì)1168 條關(guān)鍵句。

表3 主要人物及特效藥的二級(jí)關(guān)鍵詞（部分）

表4 社會(huì)熱點(diǎn)問題評(píng)論關(guān)鍵句極性分類數(shù)量統(tǒng)計(jì)

在關(guān)鍵句極性分析基礎(chǔ)上，進(jìn)一步統(tǒng)計(jì)這6 個(gè)熱議主題詞的情感詞詞頻，列出出現(xiàn)次數(shù)較多的情感詞，分析觀眾對(duì)這6 個(gè)主題詞具體的意見及態(tài)度，如表5所示。

表5 社會(huì)熱點(diǎn)問題評(píng)論句情感詞詞頻統(tǒng)計(jì)（部分）

（6）分析與結(jié)論。本文通過對(duì)豆瓣網(wǎng)上的電影評(píng)論進(jìn)行情感分析，挖掘觀眾對(duì)《我不是藥神》電影的總體評(píng)價(jià)，具體體現(xiàn)在：

①對(duì)電影拍攝質(zhì)量方面的評(píng)價(jià)較高。電影質(zhì)量評(píng)價(jià)因素按觀眾褒義句占比由高到低排列依次是演技、導(dǎo)演、音樂、畫面、人物和劇情，比例分別為90.2%、43.5%、42.7%、41.9%、36.3%、33.6%。

②觀眾觀影后討論最熱門的主題有：討論最多的“人”按統(tǒng)計(jì)詞頻由大到小依次為程勇、黃毛、呂受益、張長(zhǎng)林、思慧；討論最多的“事”為白血病、生活、病、走私、公司、賣藥、醫(yī)院、價(jià)格；討論最多的“物”依次排列為藥、錢、假藥、藥品、藥物、格列寧、口罩；另外熱議詞匯中還誕生了本電影專有詞匯“藥神”、“窮病”。

③觀眾對(duì)電影幾個(gè)主要角色的評(píng)論表現(xiàn)出人物特征的復(fù)雜性與矛盾性。例如對(duì)男主角的評(píng)論總體積極評(píng)論多于消極評(píng)論，觀眾認(rèn)為程勇即是一個(gè)“善良”、“偉大”的人，又是一個(gè)“自私”的人，而對(duì)消極評(píng)論較多的人物張長(zhǎng)林認(rèn)為他即“自私”、“狡猾”又“仗義”，這樣的評(píng)論分析結(jié)果說明了電影塑造的角色特征不是單一的、一成不變的，而是多層次的、復(fù)雜的、隨著劇情的發(fā)展而變化的。

④觀眾對(duì)電影主要角色展開討論的主題呈現(xiàn)共性與個(gè)性共存的特點(diǎn)。對(duì)5 位主要角色討論較多的共同話題主要有“病人”、“白血病”、“藥神”、“病友”、“牧師”，還有電影中的細(xì)節(jié)“橘子”與“口罩”；個(gè)性話題主要有程勇的“走私”、“神油”，黃毛“回家”的劇情及最后成為“淚點(diǎn)”，呂受益的“妻子”，張長(zhǎng)林爭(zhēng)奪“代理權(quán)”及提出“窮病”的概念，思慧作為“單親”媽媽為“女兒”治病而去跳“鋼管舞”的經(jīng)歷，同時(shí)她也是病友的“群主”。

⑤觀眾對(duì)幾個(gè)主要角色評(píng)價(jià)最高的是黃毛，其評(píng)論的褒義句占比達(dá)63.1%，貶義句占比僅2%，認(rèn)為黃毛是“善良”、“仗義”、“年輕”、“簡(jiǎn)單”而“倔強(qiáng)”的；其次是思慧，評(píng)論的褒義句占比61.4%，貶義句占比5.9%，認(rèn)為思慧是“尊嚴(yán)”、“善良”、“平靜”、“偉大”、“豐滿”而“艱辛”的；評(píng)價(jià)最差的是張長(zhǎng)林，褒義句占比20.6%，貶義句占比38.1%，認(rèn)為他是“自私”、“仗義”、“復(fù)雜”、“無恥”、“私利”而“狡猾”的；主要角色之一“牧師”在關(guān)鍵詞分析時(shí)詞頻數(shù)并未排在前列，但在主要人物二級(jí)關(guān)鍵詞中均有出現(xiàn)。

⑥觀眾對(duì)特效藥格列寧的態(tài)度沒有明顯的褒貶區(qū)分。談及格列寧時(shí)，評(píng)論中褒義句占比21.2%，貶義句占比2%，而占比最大的為中性句76.5%，格列寧的情感詞詞頻統(tǒng)計(jì)結(jié)果也呈現(xiàn)矛盾性，“便宜”與“昂貴”出現(xiàn)次數(shù)都很高。

3 結(jié)語

本文采用詞頻統(tǒng)計(jì)與PMI 算法分析豆瓣上《我不是藥神》的觀眾評(píng)論，以獲得分布廣泛、數(shù)量眾多的觀眾觀影感受，比調(diào)查問卷更真實(shí)、客觀反映觀眾內(nèi)心想法，并經(jīng)過統(tǒng)計(jì)分析挖掘觀眾對(duì)電影中反映的社會(huì)現(xiàn)象的熱議點(diǎn)，及觀眾對(duì)這些社會(huì)現(xiàn)象的態(tài)度、價(jià)值取向。