作者：PRATEEK JOSHI

编译：Bing

现在电商行业势头正好，对在线零售商来说，他们不受库存或空间的限制，而实体店则必须在有限的空间中存储产品。

但是，在线购物也有它的局限之处，最大的难题之一就是检验产品的真伪。它的质量是否如宣传所说的那么好？消费者留言的评价是真实的吗还是虚假宣传？这是消费者决定购买的重要因素。

所以，我们决定用NLP技术在这一主题中进行探索，本文将帮助你了解用主题建模分析在线产品评论的重要性。

有关主题建模，可以参考我们此前的文章：《用隐藏语义分析（LSA）进行主题建模（附Python代码）》

商品评论的重要性

前几天，我从某网站买了一部智能手机，价格符合我的预期，并且评分为4.5分（满分为5）。

但是，拿到手之后我才发现，电池续航远不及平均水平。在购买时我只看了评分，却没关注评论，所以我知道肯定不只我一个人不满意！

所以网购看评论应该是必不可少的参考，可以，如果评论有成百上千条，根本看不过来怎么办？这就需要用到自然语言处理技术了。

明确问题

我们应该如何用NLP分析大量商品评论呢？首先让我们明确这一问题。

从卖家角度，他们可以从评论中估计顾客对商品的反应。想从大量评论中找到关键信息，这样的智能系统需要做到两点：

1. 能让顾客从中迅速提取出关键主题
2. 卖家也能通过这些主题获得用户反馈

为了解决这一任务，我们将在亚马逊的汽车评论数据上使用主题建模（LDA），数据集可以在这个地址中下载：http://snap.stanford.edu/data/amazon/productGraph/categoryFiles/reviewsAutomotive5.json.gz。

为什么用主题建模

和这项技术的名称一样，主题建模是自动确定文本目标中主题的过程，同时从文本语料中展示隐藏语义。主题模型有多重用途，包括：

• 文件聚合
• 组织大型文本数据
• 从未被组织的文本中进行信息检索
• 特征选择

一个好的主题模型，如果在与股票市场相关的文本上训练时，应该会生成类似“出价”、“买卖”、“分红”、“交易”等主题。下图展示了一个典型的主题模型工作的流程：

在我们的案例中，文本数据来自“汽车”类目下的商品评论。这里，我们的目标是从评论中提取一些重要的有代表性的单词。这些关键词可以帮助我们了解某位顾客的态度。

Python实现

在这一部分，我们会用到Jupyter Notebook（或你在Python下使用的任意IDE）。这里我们会用到“隐含狄利克雷分布（LDA）”的概念，如果对这一概念不了解的读者，可以参考这一博文：http://www.cnblogs.com/huangshiyu13/p/6148217.html

首先我们要下载所需的库：

import nltk
from nltk import FreqDist
nltk.download('stopwords') # run this one time


import pandas as pd
pd.set_option("display.max_colwidth", 200)
import numpy as np
import re
import spacy

import gensim
from gensim import corpora

# libraries for visualization
import pyLDAvis
import pyLDAvis.gensim
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

要导入数据，首先要将数据提取到你的工作类别中，然后使用pandas中的read_json( )函数在pandas的数据框架中读取。

df = pd.read_json('Automotive_5.json', lines=True)
df.head() 

如你所见，数据包含以下类目：

• 评论者的ID
• 产品ID
• 评论者的用户名
• 该评论的有用性
• 评论文本
• 产品评分
• 评论总结
• 评论执行时间
• 评论原始时间（raw）

在这篇文章中，我们只使用“评论文本”这一类。

数据处理

在开始文本挖掘前，数据处理和清洗是很重要的一步。在这一步中，我们会删除标点、停止词等，让评论的形式尽可能统一。处理好之后，就可以检查数据中最常出现的词语了。所以，让我们在这里定义一个函数，可以通过条形图展示数据中最常见的n个词语。

# function to plot most frequent terms
def freq_words(x, terms = 30):
  all_words = ' '.join([text for text in x])
  all_words = all_words.split()

  fdist = FreqDist(all_words)
  words_df = pd.DataFrame({'word':list(fdist.keys()), 'count':list(fdist.values())})

 # selecting top 20 most frequent words
  d = words_df.nlargest(columns="count", n = terms) 
  plt.figure(figsize=(20,5))
  ax = sns.barplot(data=d, x= "word", y = "count")
  ax.set(ylabel = 'Count')
  plt.show()

函数定义如下。

freq_words(df['reviewText']) 

如图，最常见的词语是“the”、“and”、“to”等等，这些词对我们并没有什么帮助，所以也要删除这些词语。在这之前，让我们先删除标点和数字。

# remove unwanted characters, numbers and symbols
df['reviewText'] = df['reviewText'].str.replace("[^a-zA-Z#]", " ")

接着删除停止词和少于两个字母的单词：

from nltk.corpus import stopwords
stop_words = stopwords.words('english')
# function to remove stopwords
def remove_stopwords(rev):
    rev_new = " ".join([i for i in rev if i not in stop_words])
    return rev_new

# remove short words (length < 3)
df['reviewText'] = df['reviewText'].apply(lambda x: ' '.join([w for w in x.split() if len(w)>2]))

# remove stopwords from the text
reviews = [remove_stopwords(r.split()) for r in df['reviewText']]

# make entire text lowercase
reviews = [r.lower() for r in reviews]

再对常出现的词进行可视化：

freq_words(reviews, 35) 

我们可以看出有了变化，像“电池”、“价格”、“产品”、“汽油”等与汽车较相关的词语出现了。但是，仍然有一些中性词存在，例如“the”、“this”、“much”、“they”等等。

为了进一步去除文本中的噪音，我们可以用spaCy库中的词形还原处理。它可以将词语还原到原始形式，减少单词的重复。

!python -m spacy download en # one time run
nlp = spacy.load('en', disable=['parser', 'ner'])

def lemmatization(texts, tags=['NOUN', 'ADJ']): # filter noun and adjective
       output = []
       for sent in texts:
             doc = nlp(" ".join(sent)) 
             output.append([token.lemma_ for token in doc if token.pos_ in tags])
       return output

我们对评语进行符号化，然后对其进行词形还原。

tokenized_reviews = pd.Series(reviews).apply(lambda x: x.split())
print(tokenized_reviews[1])
['these', 'long', 'cables', 'work', 'fine', 'truck', 'quality', 'seems', 'little', 'shabby', 
'side', 'for', 'money', 'expecting', 'dollar', 'snap', 'jumper', 'cables', 'seem', 'like', 
'would', 'see', 'chinese', 'knock', 'shop', 'like', 'harbor', 'freight', 'bucks']

reviews_2 = lemmatization(tokenized_reviews)
print(reviews_2[1]) # print lemmatized review
['long', 'cable', 'fine', 'truck', 'quality', 'little', 'shabby', 'side', 'money', 'dollar', 
'jumper', 'cable', 'chinese', 'shop', 'harbor', 'freight', 'buck']

可以看到，这一过程并不仅仅还原了词形，而且只留下了名词和形容词。之后，我们将这次词语在变换成正常形式。

reviews_3 = []
for i in range(len(reviews_2)):
reviews_3.append(' '.join(reviews_2[i]))

df['reviews'] = reviews_3

freq_words(df['reviews'], 35) 

这样可以看出常见词都是和汽车相关的，我们可以继续搭建主题模型了。

搭建一个LDA模型

首先，我们要对语料创建术语词典，其中每个唯一的词语都被看做一个index

dictionary = corpora.Dictionary(reviews_2) 

之后，我们要用创建好的词典将评论转化成文件术语矩阵。

doc_term_matrix = [dictionary.doc2bow(rev) for rev in reviews_2]
# Creating the object for LDA model using gensim library
LDA = gensim.models.ldamodel.LdaModel

# Build LDA model
lda_model = LDA(corpus=doc_term_matrix,
                                   id2word=dictionary,
                                   num_topics=7, 
                                   random_state=100,
                                   chunksize=1000,
                                   passes=50)

上述代码的执行可能需要一段时间。注意，我在这一模型中，用num_topics参数将主题的数量定为7，你可以修改这一数字。

接着就可以生成LDA模型学习到的主题。

lda_model.print_topics() 
[(0, '0.030*"car" + 0.026*"oil" + 0.020*"filter" + 0.018*"engine" + 0.016*"device" + 0.013*"code" 
+ 0.012*"vehicle" + 0.011*"app" + 0.011*"change" + 0.008*"bosch"'), 
(1, '0.017*"easy" + 0.014*"install" + 0.014*"door" + 0.013*"tape" + 0.013*"jeep" + 0.011*"front" + 
0.011*"mat" + 0.010*"side" + 0.010*"headlight" + 0.008*"fit"'), 
(2, '0.054*"blade" + 0.045*"wiper" + 0.019*"windshield" + 0.014*"rain" + 0.012*"snow" + 
0.012*"good" + 0.011*"year" + 0.011*"old" + 0.011*"car" + 0.009*"time"'), 
(3, '0.044*"car" + 0.024*"towel" + 0.020*"product" + 0.018*"clean" + 0.017*"good" + 0.016*"wax" + 
0.014*"water" + 0.013*"use" + 0.011*"time" + 0.011*"wash"'), 
(4, '0.051*"light" + 0.039*"battery" + 0.021*"bulb" + 0.019*"power" + 0.018*"car" + 0.014*"bright" 
+ 0.013*"unit" + 0.011*"charger" + 0.010*"phone" + 0.010*"charge"'), 
(5, '0.022*"tire" + 0.015*"hose" + 0.013*"use" + 0.012*"good" + 0.010*"easy" + 0.010*"pressure" + 
0.009*"small" + 0.009*"trailer" + 0.008*"nice" + 0.008*"water"'), 
(6, '0.048*"product" + 0.038*"good" + 0.027*"price" + 0.020*"great" + 0.020*"leather" + 
0.019*"quality" + 0.010*"work" + 0.010*"review" + 0.009*"amazon" + 0.009*"worth"')] 

Topic 3中含有“towel”、“clean”、“wax”、“water”等词语，表明这一话题和汽车清洁有关。Topic 6含有“price”、“quality”和“worth”等词语，说明和产品的价格有关。

主题可视化

为了在二维空间中对我们的主题进行可视化，我们用的是pyLDAvis库。

# Visualize the topics
pyLDAvis.enable_notebook()
vis = pyLDAvis.gensim.prepare(lda_model, doc_term_matrix, dictionary)
vis 

其他分析网站评论的方法

除了主题建模，还有很多其他的NLP方法可以用来分析理解网络评论：

1. 文本总结：对评语进行关键点总结。
2. 实体识别（entity recognition）：从评论中提取出实体，分析哪种产品更受欢迎。
3. 确定流行趋势：根据评论的时间，可以掌握某一商品的受欢迎趋势。
4. 语义分析：对零售商来说，理解评论的语义情感对改善产品和服务是非常有帮助的。

下一步工作

信息检索让我们省去了浏览大量评论的时间，也让我们知道了顾客对产品说了些什么。但是，它并没有展示出评论是积极的、中立的、还是消极的。这就是信息检索之后要做的工作。我们不仅要提取出话题，还要分析其中的情感。在接下来的文章中我们会具体讲解，请大家关注。