此为原创文章，转载请注明出处https://blog.csdn.net/FRYAN28/article/details/91129584

最近有做了一个简单的文本情感分析，使用到hanlp包实现。

简介：HanLP是一系列模型与算法组成的NLP工具包，由大快搜索主导并完全开源，目标是普及自然语言处理在生产环境中的应用。HanLP具备功能完善、性能高效、架构清晰、语料时新、可自定义的特点。

https://github.com/hankcs/HanLP

其中，我们可以利用它来训练文本分类的持久化模型，再运用到其他文本当中，实现情感分类。

具体使用可以参考官方文档

https://github.com/hankcs/HanLP/wiki/文本分类与情感分析#%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90

https://github.com/hankcs/HanLP/blob/master/src/test/java/com/hankcs/demo/DemoTextClassification.java

训练模型

package com.atguigu.springboot.utils;

import com.hankcs.hanlp.classification.classifiers.IClassifier;
import com.hankcs.hanlp.classification.classifiers.NaiveBayesClassifier;
import com.hankcs.hanlp.classification.models.NaiveBayesModel;
import com.hankcs.hanlp.corpus.io.IOUtil;

import java.io.File;
import java.io.IOException;

/**
 * @Author Swallow
 * @Date 2019/4/20
 **/
public class GetModel {
    /**
     * 搜狗文本分类语料库5个类目，每个类目下1000篇文章，共计5000篇文章
     */
    public static final String CORPUS_FOLDER = TestUtility.ensureTestData("JDComments", "D:\\ws\\ij-workspace\\spring-boot-06-data-jdbc\\data\\test\\JDComments\\JDComments.zip");
    /**
     * 模型保存路径
     */
    public static final String MODEL_PATH = "D:\\ws\\ij-workspace\\spring-boot-06-data-jdbc\\model\\classification-model.ser";


    public static void main(String[] args) throws IOException {
        //NaiveBayesModel naiveBayesModel = new NaiveBayesModel();
        IClassifier classifier = new NaiveBayesClassifier(trainOrLoadModel());
        predict(classifier, "用起来感觉很好");
        predict(classifier, "电池很容易没电，拿在手上挺沉的，其他一般般吧");
        predict(classifier, "起初很抵触刘海屏，到现在用习惯了也无所谓，以前用的魅族，用腻了想换个口味。所以，入手了米8。特意用了几天过来评价，系统很流畅拍照也不错，续航就有点扎心了3000毫安时的电池?，总的来说不错的一部机子。\n" +
                "很不错哟，指纹解锁和人脸解锁都超级灵敏");
        predict(classifier, "如果真想用食物解压,建议可以食用燕麦");
        predict(classifier, "通用及其部分竞争对手目前正在考虑解决库存问题");
    }

    private static void predict(IClassifier classifier, String text) {
        System.out.printf("《%s》 属于分类 【%s】\n", text, classifier.classify(text));
    }

    private static NaiveBayesModel trainOrLoadModel() throws IOException {
        NaiveBayesModel model = (NaiveBayesModel) IOUtil.readObjectFrom(MODEL_PATH);
        if (model != null) return model;

        File corpusFolder = new File(CORPUS_FOLDER);
        if (!corpusFolder.exists() || !corpusFolder.isDirectory()) {
            System.err.println("没有文本分类语料，请阅读IClassifier.train(java.lang.String)中定义的语料格式与语料下载：" +
                    "https://github.com/hankcs/HanLP/wiki/%E6%96%87%E6%9C%AC%E5%88%86%E7%B1%BB%E4%B8%8E%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90");
            System.exit(1);
        }

        IClassifier classifier = new NaiveBayesClassifier(); // 创建分类器，更高级的功能请参考IClassifier的接口定义
        classifier.train(CORPUS_FOLDER);                     // 训练后的模型支持持久化，下次就不必训练了
        model = (NaiveBayesModel) classifier.getModel();
        IOUtil.saveObjectTo(model, MODEL_PATH);
        return model;
    }
}

模型训练成功，相应文件夹会出现模型，训练后的模型支持持久化，下次不用再训练。

运用到项目当中

/**
     * 文本情感分析，分类好评中评差评
     * @param id
     * @return
     */
    public Map<String, Object> setClassifier(String id){
        Map<String,Object> map = new HashMap<String,Object>();
        List<GoodsComment> goodsCommentList = queryGoodsComByGId(id);
        if (goodsCommentList.size()>0){
            List<GoodsComment> newGoodsCommentList = new ArrayList<>();
            List<String> comments = new ArrayList<>();
            NaiveBayesModel model = (NaiveBayesModel) IOUtil
                    .readObjectFrom(MODEL_PATH);//模型路径
            classifier = new NaiveBayesClassifier(model);
            //各极性数量
            int posNum = 0;
            int negNum = 0;
            int midNum = 0;
            for (int i = 0;i<goodsCommentList.size();i++){
                GoodsComment goodsComment = goodsCommentList.get(i);
                String comment = goodsComment.getContext();
                //分类的结果 返回类型值
                String result = classifier.classify(comment);
                switch (result) {
                    case "positive":
                        posNum = posNum + 1;
                        break;
                    case "negtive":
                        negNum = negNum + 1;
                        break;
                    case "mid":
                        midNum = midNum + 1;
                        break;
                }
                goodsComment.setType(result);
                logger.info(goodsComment.toString());
                newGoodsCommentList.add(goodsComment);
            }
            int count = posNum + negNum + midNum;
            Double p = mathPoint(posNum,count);
            Double n = mathPoint(negNum,count);
            Double m = mathPoint(midNum,count);
            map.put("success",true);
            map.put("positive",p);
            map.put("negtive",n);
            map.put("mid",m);
            map.put("list",newGoodsCommentList);
        }else {
            map.put("success",false);
        }
        return map;
    }