PHP项目情感分析如何判断文本正负倾向

本文目录导读：

1. 基于词典的情感分析（最常用，适合中小项目）
2. 调用第三方API（高精度，适合生产环境）
3. 朴素贝叶斯分类器（需要训练数据）
4. 使用PHP-ML库（集成多种算法）
5. 实际项目建议

在 PHP 项目中实现情感分析（判断文本正负倾向），通常有以下几种主流方法,按复杂度从低到高排列：

基于词典的情感分析（最常用，适合中小项目）

原理
使用预先构建的正负面情感词典,对文本分词后计算情感得分。

步骤

1. 准备情感词典

   • 正面词：开心、喜欢、优秀、完美
   • 负面词：讨厌、差劲、糟糕、失望
   • 可包含程度副词（非常、稍微）和否定词（不、没）

2. 实现流程

   function sentimentAnalysis($text, $posDict, $negDict) {
    // 简单分词（可用explode或中文分词库）
    $words = preg_split('/[\s,，。！？!?]+/u', $text);
    $score = 0;
    foreach ($words as $word) {
        if (in_array($word, $posDict)) $score++;
        if (in_array($word, $negDict)) $score--;
    }
    // 加入否定词反转逻辑
    // "不" + 正面词 → 负面
    if ($score > 0) return 'positive';
    if ($score < 0) return 'negative';
    return 'neutral';
   }

优缺点

• ✅ 简单快速，无需外部API
• ❌ 对复杂语料（反讽、上下文）准确率低
• 推荐中文词典：BosonNLP情感词典、大连理工大学情感词汇本体库

调用第三方API（高精度，适合生产环境）

推荐服务

• 百度AI情感分析（免费额度充足）
• 腾讯云自然语言处理
• 阿里云NLP
• Google Cloud Natural Language

PHP调用示例（百度AI）

require_once 'AipNlp.php'; // 百度SDK
$client = new AipNlp(APP_ID, API_KEY, SECRET_KEY);
$result = $client->sentimentClassify($text);
$sentiment = $result['items'][0]['sentiment']; // 0负面 1中性 2正面
$confidence = $result['items'][0]['confidence'];

优缺点

• ✅ 准确度高，支持上下文理解
• ❌ 有调用次数限制/费用，依赖网络

朴素贝叶斯分类器（需要训练数据）

原理
基于机器学习,用已标注的正负面语料训练模型。

PHP实现

use Phpml\Classification\NaiveBayes;
use Phpml\FeatureExtraction\TfIdfTransformer;
// 1. 准备训练数据
$samples = [
    '这个产品很棒',
    '质量太差了',
    '非常满意',
    '完全不能用'
];
$labels = ['pos', 'neg', 'pos', 'neg'];
// 2. 向量化文本
$tokenizer = new WordTokenizer();
$samples = array_map(function($text) use ($tokenizer) {
    return $tokenizer->tokenize($text);
}, $samples);
// 3. 训练模型
$classifier = new NaiveBayes();
$classifier->train($samples, $labels);
// 4. 预测
$newText = '不算太好但也不差';
$tokenized = $tokenizer->tokenize($newText);
echo $classifier->predict($tokenized); // 输出 pos/neg

优缺点

• ✅ 可针对特定领域定制
• ❌ 需要大量标注数据，训练过程有学习成本

使用PHP-ML库（集成多种算法）

安装

composer require php-ai/php-ml

示例（支持向量机SVM）

use Phpml\Classification\SVC;
use Phpml\SupportVectorMachine\Kernel;
$model = new SVC(Kernel::RBF, 1.0, 3);
$model->train($trainSamples, $trainLabels);
$predicted = $model->predict($textVector);

实际项目建议

中文处理关键点

• 需要结合分词工具：scws扩展、jieba-php、phpanalysis
• 处理否定词：不漂亮、不是很满意
• 处理程度副词：极其讨厌（权重5）、有点失望（权重5）

如果有具体的技术实现细节（如分词库集成、词典文件格式）需要帮助,可以进一步沟通。