|
|
<!--
|
|
|
CO_OP_TRANSLATOR_METADATA:
|
|
|
{
|
|
|
"original_hash": "2c742993fe95d5bcbb2846eda3d442a1",
|
|
|
"translation_date": "2025-09-05T09:13:02+00:00",
|
|
|
"source_file": "6-NLP/5-Hotel-Reviews-2/README.md",
|
|
|
"language_code": "zh"
|
|
|
}
|
|
|
-->
|
|
|
# 使用酒店评论进行情感分析
|
|
|
|
|
|
现在您已经详细探索了数据集，是时候筛选列并对数据集应用NLP技术，以便获得关于酒店的新见解。
|
|
|
|
|
|
## [课前测验](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
### 筛选与情感分析操作
|
|
|
|
|
|
正如您可能已经注意到的，数据集存在一些问题。一些列充满了无用的信息，另一些列看起来不正确。即使它们是正确的，也不清楚它们是如何计算的，您无法通过自己的计算独立验证答案。
|
|
|
|
|
|
## 练习：进一步处理数据
|
|
|
|
|
|
对数据进行更多清理。添加一些后续会用到的列，修改其他列中的值，并完全删除某些列。
|
|
|
|
|
|
1. 初步列处理
|
|
|
|
|
|
1. 删除 `lat` 和 `lng`
|
|
|
|
|
|
2. 将 `Hotel_Address` 的值替换为以下值（如果地址中包含城市和国家的名称，则将其更改为仅包含城市和国家）。
|
|
|
|
|
|
数据集中仅包含以下城市和国家：
|
|
|
|
|
|
阿姆斯特丹，荷兰
|
|
|
巴塞罗那，西班牙
|
|
|
伦敦，英国
|
|
|
米兰，意大利
|
|
|
巴黎，法国
|
|
|
维也纳，奥地利
|
|
|
|
|
|
```python
|
|
|
def replace_address(row):
|
|
|
if "Netherlands" in row["Hotel_Address"]:
|
|
|
return "Amsterdam, Netherlands"
|
|
|
elif "Barcelona" in row["Hotel_Address"]:
|
|
|
return "Barcelona, Spain"
|
|
|
elif "United Kingdom" in row["Hotel_Address"]:
|
|
|
return "London, United Kingdom"
|
|
|
elif "Milan" in row["Hotel_Address"]:
|
|
|
return "Milan, Italy"
|
|
|
elif "France" in row["Hotel_Address"]:
|
|
|
return "Paris, France"
|
|
|
elif "Vienna" in row["Hotel_Address"]:
|
|
|
return "Vienna, Austria"
|
|
|
|
|
|
# Replace all the addresses with a shortened, more useful form
|
|
|
df["Hotel_Address"] = df.apply(replace_address, axis = 1)
|
|
|
# The sum of the value_counts() should add up to the total number of reviews
|
|
|
print(df["Hotel_Address"].value_counts())
|
|
|
```
|
|
|
|
|
|
现在您可以查询国家级别的数据：
|
|
|
|
|
|
```python
|
|
|
display(df.groupby("Hotel_Address").agg({"Hotel_Name": "nunique"}))
|
|
|
```
|
|
|
|
|
|
| Hotel_Address | Hotel_Name |
|
|
|
| :--------------------- | :--------: |
|
|
|
| 阿姆斯特丹，荷兰 | 105 |
|
|
|
| 巴塞罗那，西班牙 | 211 |
|
|
|
| 伦敦，英国 | 400 |
|
|
|
| 米兰，意大利 | 162 |
|
|
|
| 巴黎，法国 | 458 |
|
|
|
| 维也纳，奥地利 | 158 |
|
|
|
|
|
|
2. 处理酒店元评论列
|
|
|
|
|
|
1. 删除 `Additional_Number_of_Scoring`
|
|
|
|
|
|
2. 将 `Total_Number_of_Reviews` 替换为数据集中该酒店实际的评论总数
|
|
|
|
|
|
3. 用我们自己计算的分数替换 `Average_Score`
|
|
|
|
|
|
```python
|
|
|
# Drop `Additional_Number_of_Scoring`
|
|
|
df.drop(["Additional_Number_of_Scoring"], axis = 1, inplace=True)
|
|
|
# Replace `Total_Number_of_Reviews` and `Average_Score` with our own calculated values
|
|
|
df.Total_Number_of_Reviews = df.groupby('Hotel_Name').transform('count')
|
|
|
df.Average_Score = round(df.groupby('Hotel_Name').Reviewer_Score.transform('mean'), 1)
|
|
|
```
|
|
|
|
|
|
3. 处理评论列
|
|
|
|
|
|
1. 删除 `Review_Total_Negative_Word_Counts`、`Review_Total_Positive_Word_Counts`、`Review_Date` 和 `days_since_review`
|
|
|
|
|
|
2. 保留 `Reviewer_Score`、`Negative_Review` 和 `Positive_Review` 不变
|
|
|
|
|
|
3. 暂时保留 `Tags`
|
|
|
|
|
|
- 我们将在下一部分对标签进行一些额外的筛选操作，然后再删除标签
|
|
|
|
|
|
4. 处理评论者列
|
|
|
|
|
|
1. 删除 `Total_Number_of_Reviews_Reviewer_Has_Given`
|
|
|
|
|
|
2. 保留 `Reviewer_Nationality`
|
|
|
|
|
|
### 标签列
|
|
|
|
|
|
`Tag` 列是一个问题，因为它是一个以文本形式存储的列表。不幸的是，该列中的子部分顺序和数量并不总是相同的。由于数据集有515,000行和1427家酒店，每个评论者可以选择的选项略有不同，因此人类很难识别出需要关注的正确短语。这正是NLP的优势所在。您可以扫描文本，找到最常见的短语并统计它们的数量。
|
|
|
|
|
|
不幸的是，我们对单个单词不感兴趣，而是对多词短语（例如 *商务旅行*）感兴趣。在如此庞大的数据（6762646个单词）上运行多词频率分布算法可能需要极长的时间，但在不了解数据的情况下，这似乎是必要的开销。这时，探索性数据分析就派上用场了，因为您已经看到了标签的样本，例如 `[' 商务旅行 ', ' 独自旅行者 ', ' 单人房 ', ' 住了5晚 ', ' 从移动设备提交 ']`，您可以开始思考是否有可能大幅减少需要处理的数据量。幸运的是，这是可能的——但首先您需要遵循一些步骤来确定感兴趣的标签。
|
|
|
|
|
|
### 筛选标签
|
|
|
|
|
|
记住，数据集的目标是添加情感和列，以帮助您选择最佳酒店（无论是为自己还是为客户创建一个酒店推荐机器人）。您需要问自己，这些标签在最终数据集中是否有用。以下是一个解释（如果您出于其他原因需要数据集，不同的标签可能会被保留或删除）：
|
|
|
|
|
|
1. 旅行类型是相关的，应该保留
|
|
|
2. 客人群体类型是重要的，应该保留
|
|
|
3. 客人入住的房间、套房或工作室类型是无关的（所有酒店基本上都有相同的房间）
|
|
|
4. 提交评论的设备是无关的
|
|
|
5. 评论者入住的晚数*可能*相关，如果您认为更长的入住时间意味着他们更喜欢酒店，但这有点牵强，可能无关
|
|
|
|
|
|
总之，**保留两类标签，删除其他标签**。
|
|
|
|
|
|
首先，您不想在标签格式更好之前统计它们，因此需要移除方括号和引号。您可以通过多种方式完成此操作，但您需要最快的方法，因为处理大量数据可能需要很长时间。幸运的是，pandas 提供了一种简单的方法来完成这些步骤。
|
|
|
|
|
|
```Python
|
|
|
# Remove opening and closing brackets
|
|
|
df.Tags = df.Tags.str.strip("[']")
|
|
|
# remove all quotes too
|
|
|
df.Tags = df.Tags.str.replace(" ', '", ",", regex = False)
|
|
|
```
|
|
|
|
|
|
每个标签变成类似于：`商务旅行, 独自旅行者, 单人房, 住了5晚, 从移动设备提交`。
|
|
|
|
|
|
接下来我们发现一个问题。一些评论（或行）有5列，一些有3列，一些有6列。这是数据集创建方式的结果，很难修复。您希望统计每个短语的频率，但它们在每条评论中的顺序不同，因此统计可能会出错，某些酒店可能没有被分配到它应得的标签。
|
|
|
|
|
|
相反，您可以利用不同的顺序，因为每个标签是多词的，但也用逗号分隔！最简单的方法是创建6个临时列，将每个标签插入到对应顺序的列中。然后，您可以将这6列合并为一个大列，并对结果列运行 `value_counts()` 方法。打印出来后，您会看到有2428个唯一标签。以下是一个小样本：
|
|
|
|
|
|
| 标签 | 计数 |
|
|
|
| --------------------------------- | ------ |
|
|
|
| 休闲旅行 | 417778 |
|
|
|
| 从移动设备提交 | 307640 |
|
|
|
| 夫妻 | 252294 |
|
|
|
| 住了1晚 | 193645 |
|
|
|
| 住了2晚 | 133937 |
|
|
|
| 独自旅行者 | 108545 |
|
|
|
| 住了3晚 | 95821 |
|
|
|
| 商务旅行 | 82939 |
|
|
|
| 团体 | 65392 |
|
|
|
| 带小孩的家庭 | 61015 |
|
|
|
| 住了4晚 | 47817 |
|
|
|
| 双人房 | 35207 |
|
|
|
| 标准双人房 | 32248 |
|
|
|
| 高级双人房 | 31393 |
|
|
|
| 带大孩的家庭 | 26349 |
|
|
|
| 豪华双人房 | 24823 |
|
|
|
| 双人或双床房 | 22393 |
|
|
|
| 住了5晚 | 20845 |
|
|
|
| 标准双人或双床房 | 17483 |
|
|
|
| 经典双人房 | 16989 |
|
|
|
| 高级双人或双床房 | 13570 |
|
|
|
| 2间房 | 12393 |
|
|
|
|
|
|
一些常见标签如 `从移动设备提交` 对我们没有用，因此在统计短语出现次数之前删除它们可能是明智的，但由于这是一个非常快速的操作，您可以将它们保留并忽略它们。
|
|
|
|
|
|
### 删除入住时长标签
|
|
|
|
|
|
删除这些标签是第一步，这稍微减少了需要考虑的标签总数。注意，您并没有从数据集中删除它们，只是选择不将它们作为评论数据集中需要统计/保留的值。
|
|
|
|
|
|
| 入住时长 | 计数 |
|
|
|
| -------------- | ------ |
|
|
|
| 住了1晚 | 193645 |
|
|
|
| 住了2晚 | 133937 |
|
|
|
| 住了3晚 | 95821 |
|
|
|
| 住了4晚 | 47817 |
|
|
|
| 住了5晚 | 20845 |
|
|
|
| 住了6晚 | 9776 |
|
|
|
| 住了7晚 | 7399 |
|
|
|
| 住了8晚 | 2502 |
|
|
|
| 住了9晚 | 1293 |
|
|
|
| ... | ... |
|
|
|
|
|
|
房间、套房、工作室、公寓等类型种类繁多。它们的意义大致相同，对您来说并不重要，因此从考虑中删除它们。
|
|
|
|
|
|
| 房间类型 | 计数 |
|
|
|
| ---------------------------- | ----- |
|
|
|
| 双人房 | 35207 |
|
|
|
| 标准双人房 | 32248 |
|
|
|
| 高级双人房 | 31393 |
|
|
|
| 豪华双人房 | 24823 |
|
|
|
| 双人或双床房 | 22393 |
|
|
|
| 标准双人或双床房 | 17483 |
|
|
|
| 经典双人房 | 16989 |
|
|
|
| 高级双人或双床房 | 13570 |
|
|
|
|
|
|
最后，令人欣喜的是（因为几乎不需要处理），您将剩下以下**有用**的标签：
|
|
|
|
|
|
| 标签 | 计数 |
|
|
|
| --------------------------------------------- | ------ |
|
|
|
| 休闲旅行 | 417778 |
|
|
|
| 夫妻 | 252294 |
|
|
|
| 独自旅行者 | 108545 |
|
|
|
| 商务旅行 | 82939 |
|
|
|
| 团体（与朋友旅行者合并） | 67535 |
|
|
|
| 带小孩的家庭 | 61015 |
|
|
|
| 带大孩的家庭 | 26349 |
|
|
|
| 带宠物 | 1405 |
|
|
|
|
|
|
您可以认为 `与朋友旅行者` 与 `团体` 基本相同，将两者合并是合理的，如上所示。识别正确标签的代码在 [Tags notebook](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) 中。
|
|
|
|
|
|
最后一步是为每个这些标签创建新列。然后，对于每条评论行，如果 `Tag` 列与新列之一匹配，则添加1，否则添加0。最终结果将是一个统计数据，显示有多少评论者选择了这家酒店（总体上）用于商务、休闲或带宠物入住，这在推荐酒店时是有用的信息。
|
|
|
|
|
|
```python
|
|
|
# Process the Tags into new columns
|
|
|
# The file Hotel_Reviews_Tags.py, identifies the most important tags
|
|
|
# Leisure trip, Couple, Solo traveler, Business trip, Group combined with Travelers with friends,
|
|
|
# Family with young children, Family with older children, With a pet
|
|
|
df["Leisure_trip"] = df.Tags.apply(lambda tag: 1 if "Leisure trip" in tag else 0)
|
|
|
df["Couple"] = df.Tags.apply(lambda tag: 1 if "Couple" in tag else 0)
|
|
|
df["Solo_traveler"] = df.Tags.apply(lambda tag: 1 if "Solo traveler" in tag else 0)
|
|
|
df["Business_trip"] = df.Tags.apply(lambda tag: 1 if "Business trip" in tag else 0)
|
|
|
df["Group"] = df.Tags.apply(lambda tag: 1 if "Group" in tag or "Travelers with friends" in tag else 0)
|
|
|
df["Family_with_young_children"] = df.Tags.apply(lambda tag: 1 if "Family with young children" in tag else 0)
|
|
|
df["Family_with_older_children"] = df.Tags.apply(lambda tag: 1 if "Family with older children" in tag else 0)
|
|
|
df["With_a_pet"] = df.Tags.apply(lambda tag: 1 if "With a pet" in tag else 0)
|
|
|
|
|
|
```
|
|
|
|
|
|
### 保存文件
|
|
|
|
|
|
最后，将当前数据集保存为一个新名称。
|
|
|
|
|
|
```python
|
|
|
df.drop(["Review_Total_Negative_Word_Counts", "Review_Total_Positive_Word_Counts", "days_since_review", "Total_Number_of_Reviews_Reviewer_Has_Given"], axis = 1, inplace=True)
|
|
|
|
|
|
# Saving new data file with calculated columns
|
|
|
print("Saving results to Hotel_Reviews_Filtered.csv")
|
|
|
df.to_csv(r'../data/Hotel_Reviews_Filtered.csv', index = False)
|
|
|
```
|
|
|
|
|
|
## 情感分析操作
|
|
|
|
|
|
在最后一部分中，您将对评论列应用情感分析，并将结果保存到数据集中。
|
|
|
|
|
|
## 练习：加载并保存筛选后的数据
|
|
|
|
|
|
注意，现在您加载的是上一部分保存的筛选后的数据集，而**不是**原始数据集。
|
|
|
|
|
|
```python
|
|
|
import time
|
|
|
import pandas as pd
|
|
|
import nltk as nltk
|
|
|
from nltk.corpus import stopwords
|
|
|
from nltk.sentiment.vader import SentimentIntensityAnalyzer
|
|
|
nltk.download('vader_lexicon')
|
|
|
|
|
|
# Load the filtered hotel reviews from CSV
|
|
|
df = pd.read_csv('../../data/Hotel_Reviews_Filtered.csv')
|
|
|
|
|
|
# You code will be added here
|
|
|
|
|
|
|
|
|
# Finally remember to save the hotel reviews with new NLP data added
|
|
|
print("Saving results to Hotel_Reviews_NLP.csv")
|
|
|
df.to_csv(r'../data/Hotel_Reviews_NLP.csv', index = False)
|
|
|
```
|
|
|
|
|
|
### 删除停用词
|
|
|
|
|
|
如果您对负面和正面评论列运行情感分析，可能需要很长时间。在一台性能强劲的测试笔记本电脑上测试时，根据使用的情感分析库不同，耗时为12到14分钟。这是一个（相对）较长的时间，因此值得研究是否可以加快速度。
|
|
|
|
|
|
删除停用词（即不会改变句子情感的常见英语单词）是第一步。通过删除它们，情感分析应该会运行得更快，但不会降低准确性（因为停用词不会影响情感，但会减慢分析速度）。
|
|
|
|
|
|
最长的负面评论有395个单词，但删除停用词后仅剩195个单词。
|
|
|
|
|
|
删除停用词也是一个快速操作，在测试设备上，从2个评论列中删除515,000行的停用词耗时3.3秒。根据您的设备CPU速度、内存、是否有SSD以及其他一些因素，这个时间可能略长或略短。操作相对较短，这意味着如果它能提高情感分析速度，那么值得一试。
|
|
|
|
|
|
```python
|
|
|
from nltk.corpus import stopwords
|
|
|
|
|
|
# Load the hotel reviews from CSV
|
|
|
df = pd.read_csv("../../data/Hotel_Reviews_Filtered.csv")
|
|
|
|
|
|
# Remove stop words - can be slow for a lot of text!
|
|
|
# Ryan Han (ryanxjhan on Kaggle) has a great post measuring performance of different stop words removal approaches
|
|
|
# https://www.kaggle.com/ryanxjhan/fast-stop-words-removal # using the approach that Ryan recommends
|
|
|
start = time.time()
|
|
|
cache = set(stopwords.words("english"))
|
|
|
def remove_stopwords(review):
|
|
|
text = " ".join([word for word in review.split() if word not in cache])
|
|
|
return text
|
|
|
|
|
|
# Remove the stop words from both columns
|
|
|
df.Negative_Review = df.Negative_Review.apply(remove_stopwords)
|
|
|
df.Positive_Review = df.Positive_Review.apply(remove_stopwords)
|
|
|
```
|
|
|
|
|
|
### 执行情感分析
|
|
|
|
|
|
现在，您应该计算负面和正面评论列的情感分析，并将结果存储在2个新列中。情感分析的测试是将其与同一评论的评论者评分进行比较。例如，如果情感分析认为负面评论的情感为1（极其正面的情感），正面评论的情感也为1，但评论者给酒店的评分是最低分，那么要么评论文本与评分不匹配，要么情感分析器无法正确识别情感。您应该预期某些情感评分完全错误，这通常是可以解释的，例如评论可能极具讽刺意味，“当然，我*喜欢*住在没有暖气的房间里”，情感分析器可能认为这是正面情感，但人类阅读时会知道这是讽刺。
|
|
|
NLTK 提供了不同的情感分析器供学习使用，您可以替换它们并查看情感分析的准确性是否有所不同。这里使用的是 VADER 情感分析。
|
|
|
|
|
|
> Hutto, C.J. & Gilbert, E.E. (2014). VADER: 一种简洁的基于规则的社交媒体文本情感分析模型。第八届国际博客与社交媒体会议 (ICWSM-14)。美国密歇根州安娜堡，2014年6月。
|
|
|
|
|
|
```python
|
|
|
from nltk.sentiment.vader import SentimentIntensityAnalyzer
|
|
|
|
|
|
# Create the vader sentiment analyser (there are others in NLTK you can try too)
|
|
|
vader_sentiment = SentimentIntensityAnalyzer()
|
|
|
# Hutto, C.J. & Gilbert, E.E. (2014). VADER: A Parsimonious Rule-based Model for Sentiment Analysis of Social Media Text. Eighth International Conference on Weblogs and Social Media (ICWSM-14). Ann Arbor, MI, June 2014.
|
|
|
|
|
|
# There are 3 possibilities of input for a review:
|
|
|
# It could be "No Negative", in which case, return 0
|
|
|
# It could be "No Positive", in which case, return 0
|
|
|
# It could be a review, in which case calculate the sentiment
|
|
|
def calc_sentiment(review):
|
|
|
if review == "No Negative" or review == "No Positive":
|
|
|
return 0
|
|
|
return vader_sentiment.polarity_scores(review)["compound"]
|
|
|
```
|
|
|
|
|
|
在程序中，当您准备计算情感时，可以将其应用到每条评论，如下所示：
|
|
|
|
|
|
```python
|
|
|
# Add a negative sentiment and positive sentiment column
|
|
|
print("Calculating sentiment columns for both positive and negative reviews")
|
|
|
start = time.time()
|
|
|
df["Negative_Sentiment"] = df.Negative_Review.apply(calc_sentiment)
|
|
|
df["Positive_Sentiment"] = df.Positive_Review.apply(calc_sentiment)
|
|
|
end = time.time()
|
|
|
print("Calculating sentiment took " + str(round(end - start, 2)) + " seconds")
|
|
|
```
|
|
|
|
|
|
在我的电脑上大约需要 120 秒，但每台电脑的运行时间会有所不同。如果您想打印结果并查看情感是否与评论匹配：
|
|
|
|
|
|
```python
|
|
|
df = df.sort_values(by=["Negative_Sentiment"], ascending=True)
|
|
|
print(df[["Negative_Review", "Negative_Sentiment"]])
|
|
|
df = df.sort_values(by=["Positive_Sentiment"], ascending=True)
|
|
|
print(df[["Positive_Review", "Positive_Sentiment"]])
|
|
|
```
|
|
|
|
|
|
在挑战中使用文件之前，最后要做的事情就是保存它！您还应该考虑重新排列所有新列，使其更易于操作（对人类来说，这只是一个外观上的调整）。
|
|
|
|
|
|
```python
|
|
|
# Reorder the columns (This is cosmetic, but to make it easier to explore the data later)
|
|
|
df = df.reindex(["Hotel_Name", "Hotel_Address", "Total_Number_of_Reviews", "Average_Score", "Reviewer_Score", "Negative_Sentiment", "Positive_Sentiment", "Reviewer_Nationality", "Leisure_trip", "Couple", "Solo_traveler", "Business_trip", "Group", "Family_with_young_children", "Family_with_older_children", "With_a_pet", "Negative_Review", "Positive_Review"], axis=1)
|
|
|
|
|
|
print("Saving results to Hotel_Reviews_NLP.csv")
|
|
|
df.to_csv(r"../data/Hotel_Reviews_NLP.csv", index = False)
|
|
|
```
|
|
|
|
|
|
您应该运行 [分析笔记本](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) 的完整代码（在运行 [过滤笔记本](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) 生成 Hotel_Reviews_Filtered.csv 文件之后）。
|
|
|
|
|
|
回顾一下，步骤如下：
|
|
|
|
|
|
1. 原始数据集文件 **Hotel_Reviews.csv** 在上一课中通过 [探索笔记本](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/4-Hotel-Reviews-1/solution/notebook.ipynb) 进行了探索。
|
|
|
2. Hotel_Reviews.csv 通过 [过滤笔记本](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/1-notebook.ipynb) 过滤，生成 **Hotel_Reviews_Filtered.csv**。
|
|
|
3. Hotel_Reviews_Filtered.csv 通过 [情感分析笔记本](https://github.com/microsoft/ML-For-Beginners/blob/main/6-NLP/5-Hotel-Reviews-2/solution/3-notebook.ipynb) 处理，生成 **Hotel_Reviews_NLP.csv**。
|
|
|
4. 在下面的 NLP 挑战中使用 Hotel_Reviews_NLP.csv。
|
|
|
|
|
|
### 结论
|
|
|
|
|
|
在开始时，您有一个包含列和数据的数据集，但并非所有数据都可以验证或使用。您已经探索了数据，过滤掉了不需要的部分，将标签转换为有用的内容，计算了自己的平均值，添加了一些情感列，并希望学到了一些关于处理自然文本的有趣知识。
|
|
|
|
|
|
## [课后测验](https://ff-quizzes.netlify.app/en/ml/)
|
|
|
|
|
|
## 挑战
|
|
|
|
|
|
现在您已经对数据集进行了情感分析，试着使用您在本课程中学到的策略（例如聚类）来确定情感的模式。
|
|
|
|
|
|
## 复习与自学
|
|
|
|
|
|
学习 [这个模块](https://docs.microsoft.com/en-us/learn/modules/classify-user-feedback-with-the-text-analytics-api/?WT.mc_id=academic-77952-leestott)，了解更多内容并使用不同的工具探索文本中的情感。
|
|
|
|
|
|
## 作业
|
|
|
|
|
|
[尝试一个不同的数据集](assignment.md)
|
|
|
|
|
|
---
|
|
|
|
|
|
**免责声明**：
|
|
|
本文档使用AI翻译服务[Co-op Translator](https://github.com/Azure/co-op-translator)进行翻译。尽管我们努力确保准确性，但请注意，自动翻译可能包含错误或不准确之处。应以原始语言的文档作为权威来源。对于关键信息，建议使用专业人工翻译。对于因使用本翻译而引起的任何误解或误读，我们概不负责。 |
