Utilizaremos el modelo de『SiEBERT - English-Language Sentiment Classification』 para clasificar el sentimiento de las frases en inglés. Me gustaría clasificar el sentimiento de cada frase en inglés por positivo y negativo.
Hartmann, Jochen and Heitmann, Mark and Siebert, Christian and Schamp, Christina, “More than a feeling: Accuracy and Application of Sentiment Analysis”, International Journal of Research in Marketing(2022)
Aquí usamos el modelo siebert/sentiment-roberta-large-english en huggingface, si quieres usar transformadores en Google Colab necesitas instalar transformers de antemano.
import numpy as np
from transformers import pipeline
from IPython.display import HTML
sentiment_pipeline = pipeline(
"sentiment-analysis", model="siebert/sentiment-roberta-large-english"
)
Todo el texto está separado por “.” para separar cada frase.
En este caso, se utilizan los datos de la transcripción Petrobras Webcast - Resultados del 3er Trimestre 2022 5 de noviembre de 2022.
transcript = """Hello!Hello!Hello!Hello!Hello!"""
ts_list = [ts for ts in transcript.split(".") if len(ts) > 20]
scores = sentiment_pipeline(ts_list)
Visualice los resultados utilizando etiquetas positivas y negativas y sus puntuaciones.
for t, s in zip(ts_list, scores):
score = np.round(float(s["score"]), 4) # puntuación de sentimiento
font_weight = "bold" if score > 0.995 else "normal" # espesor del texto
if s["label"] == "NEGATIVE":
r = 255 - 10 * int(1000 - score * 1000)
display(
HTML(
f"[score={score}] <span style='color:rgb({r},100,100);font-weight:{font_weight};'>{t}</span>"
)
)
elif s["label"] == "POSITIVE":
g = 255 - 10 * int(1000 - score * 1000)
display(
HTML(
f"[score={score}] <span style='color:rgb(100,{g},100);font-weight:{font_weight};'>{t}</span>"
)
)
[score=0.9976] Hello!Hello!Hello!Hello!Hello!