随着线上业务的蓬勃发展，品牌和企业越来越重视客户评价。因此，情感分析成为了过去十年研究的热点领域。企业投入巨资开发高效的情感分类器。
在探索中，发现大多数分类器采用二元分类（仅区分正面和负面情感），其中一个原因是细粒度分类器更具挑战性，且相关资源较少。
细粒度分析的关键在于，它不仅能够识别谁在谈论产品，还能精确地了解反馈中具体讨论的内容。例如，对于比较表达式如“Scam 1992比Mirzapur 2好得多。”，细粒度情感分析能提供比常规二元情感分类器更精确的信息。此外，双极性评论如“地点真的很差……但那里的人很出色。”可能会使二元情感分类器给出错误的预测。
上述优势足以激发进行细粒度情感分析的动力。
如何进行细粒度情感分析：方法和工具
数据收集和准备。使用Python、selenium和beautifulsoup库从Amazon抓取了前100条智能手机评论。如果不熟悉Python和beautifulsoup，并请求一个用于网络抓取的库，这里有一个快速教程。
SeleniumPython绑定提供了一个简单的API，用于使用Selenium WebDriver编写功能/验收测试。
import requests
from fake_useragent import UserAgent
import csv
import re
from selenium import webdriver
from bs4 import BeautifulSoup
from selenium import webdriver
首先导入一些库。requests库用于向URL发送请求并接收网页内容。BeautifulSoup用于将网页内容格式化为更易读的格式。selenium用于自动化抓取网页的过程，没有selenium，必须发送头部和cookies，发现这个过程更繁琐。
搜索产品并获取ASIN（亚马逊标准识别号）。现在将创建基于搜索查询的辅助函数，获取所有产品的ASIN号码。这些ASIN号码将帮助稍后创建每个产品的URL。创建了两个函数searching()和asin()，它们搜索网页并存储所有ASIN号码在列表中。发现，当在亚马逊上搜索特定产品时，其URL可以分为三部分。
def searching(url,query,page_no):
"""
这个函数根据URL和查询搜索页面
参数：
url = 要解析数据的主要网站
query = 要搜索的产品/词
返回：如果找到页面则返回页面，否则返回错误
"""
path = url + query +"&page=" + str(page_no)
page = requests.get(path, headers =header)
if page.status_code == 200:
return page.content
else:
return "Error"
获取产品详细信息。下一步是为每个产品创建URL并访问该URL，抓取页面上所有必要的详细信息。为此，使用selenium自动化提取细节的过程。对于amazon.in，每个产品的URL可以分解为
"https://www.amazon.in/dp/"+asin
然后创建一个函数，使用ASIN号码访问每个URL，并获取每个产品的评论、评分、名称。然后使用Python中的CSV模块将这些值存储为CSV文件。
预处理和探索性数据分析
使用pandas库加载保存的CSV文件，并进行一些EDA，如评分分布、评论中的字数统计以及哪些词在正面评论和负面评论中占主导地位，然后进行预处理，如清理评论和标题等。
数据集中正面和负面评分的分布。上述图表显示了正面和负面评论中字数的分布。可以看到，正面评论中的字数频率大于负面评论，并且负面评论通常比正面评论更短。
正面评论。可能无法从这个较小的数据集中得出太多结论，但可以注意到，“好”这个词在正面评论中占主导地位。
负面评论。在上述词云中，“不要，买，电话”是占主导地位的词。
字数统计。对于负面评论的字数统计，可以清楚地看到一个正态分布图，但对于正面评论，没有明显的模式。
使用Textblob进行细粒度情感分析
from textblob import TextBlob
def textblob_score(sentence):
return TextBlob(sentence).sentiment.polarity