使用R和tidytext对Trustpilot 的评论进行主题建模

栏目: R语言 · 发布时间: 5年前

内容简介:在这篇和分析中,我们将主题建模应用于我目前的电信提供商丹麦Trustpilot对“3”(其他国家的“三个”)的评论。 我对他们的客户服务不满意,并认为这将是一个有趣的主题建模用例。 通过这种方法,我使用有关使用Julia Silge和David Robinson的tidytext包进行主题建模的更多详细信息,请查看

在这篇和分析中,我们将主题建模应用于我目前的电信提供商丹麦Trustpilot对“3”(其他国家的“三个”)的评论。 我对他们的客户服务不满意,并认为这将是一个有趣的主题建模用例。 通过这种方法, 我们可以尝试找出客户体验的哪些方面出现在积极和消极的评论中

我使用 Python脚本 从trustpilot.dk抓取了从2015年1月到2017年10月期间4000条关于“3”的客户评论“3”。

有关使用Julia Silge和David Robinson的tidytext包进行主题建模的更多详细信息,请查看 他们的书

需要的包

if(!require("pacman")) install.packages("pacman")
pacman::p_load(tidyverse,tidytext,tm,topicmodels,magrittr,
               jtools,gridExtra,knitr,widyr,ggraph,igraph,kableExtra)

if(!require("devtools")) install.packages("devtools")
devtools::install_github("56north/happyorsad")
library(happyorsad)

定制化ggplot主题

改善ggplot2中图形的外观非常简单。 为了保持一致性,我们将根据jtools包中的APA主题创建一个干净简单的主题,并修改一些功能。 背景颜色将设置为浅灰色调。 APA主题中省略了网格线。

my_theme <- function() {
  theme_apa(legend.pos   = "none") +
  theme(panel.background = element_rect(fill = "gray96", colour = "gray96"),
        plot.background  = element_rect(fill = "gray96", colour = "gray96"),
        plot.margin      = margin(1, 1, 1, 1, "cm"),
        panel.border     = element_blank(),        # facet border
        strip.background = element_blank())        # facet title background
}

加载和准备数据

我们的数据框有两列:一个名为Name的变量,包含评论者/作者的名字,它将作为一个变量来识别每个文档; 一个名为Review的变量,包含单个评论。

df <- read_csv2("https://raw.githubusercontent.com/PeerChristensen/trustpilot_reviews/master/3reviewsB.csv")

df %<>% 
  select(-X1) %>%  
  filter(Name != "John M. Sebastian")

鉴于我们的评论是丹麦语,我们可以使用happyorsad包计算每个评论的情绪评分。 分数基于丹麦的情绪词汇和FinnÅrupNielsen的分数列表。 我们还将确保所有单词都是小写的,并删除一堆预定义的丹麦停用词和频繁的动词。

df %<>%
  mutate(Sentiment = map_int(df$Review,happyorsad,"da")) %>%
  mutate(Review = tolower(Review)) %>%              
  mutate(Review = removeWords(Review, c("så", "3", "kan","få","får","fik", stopwords("danish"))))

情感分数的分布

在下面的密度图中,我们看到情感分数如何分布,中位数为2.正如您可能知道的那样,我们正在处理一个相当平庸的提供者。 但是,我们仍然想知道为什么该公司的评分为10分满分里的6.7分。

我们可以非常粗略地将正面和负面评论放在不同的数据框架中,并对每个数据框架进行主题建模,以便探索哪些评论者喜欢和不喜欢3。

df %>% 
  ggplot(aes(x = Sentiment)) + 
  geom_density(size = 1) +
  geom_vline(xintercept = median(df$Sentiment), 
             colour = "indianred", linetype = "dashed", size = 1) +
  ggplot2::annotate("text", x = 15, y = 0.06, 
                    label = paste("median = ", median(df$Sentiment)), colour = "indianred") +
  my_theme() +
  xlim(-40,40)

使用R和tidytext对Trustpilot 的评论进行主题建模

用于积极评论的主题建模

下面创建的数据框包含2228个正面评论,分数高于1.单词将被分词化,即每行一个单词。

df_pos <- df            %>%
  filter(Sentiment > 1) %>%
  select(-Sentiment)    %>%
  unnest_tokens(word, Review)

在创建所谓的文档术语矩阵之前,我们需要计算每个文档(评论)的每个单词的频率。

words_pos <- df_pos              %>%
  count(Name, word, sort = TRUE) %>%
  ungroup()

reviewDTM_pos <- words_pos       %>%
  cast_dtm(Name, word, n)

现在我们有了一个“DTM”,我们可以将它传递给LDA函数,它实现了Latent Dirichlet Allocation算法。 它假定每个文档都是主题的混合,每个主题都是单词的混合。 k参数用于指定我们在模型中所需的主题数量。 让我们创建一个四主题模型!

reviewLDA_pos <- LDA(reviewDTM_pos, k = 4, control = list(seed = 347))

下图显示了分配给每个主题的评论数量。

tibble(topics(reviewLDA_pos))       %>%
  group_by(`topics(reviewLDA_pos)`) %>%
  count()                           %>% 
  kable()                           %>%
  kable_styling(full_width = F, position = "left")

使用R和tidytext对Trustpilot 的评论进行主题建模

我们还可以得到每个主题每个单词的概率,或“beta”。

topics_pos <- tidy(reviewLDA_pos, matrix = "beta")
topics_pos
## # A tibble: 46,844 x 3
##    topic term            beta
##    <int> <chr>          <dbl>
##  1     1 telefon    0.00376  
##  2     2 telefon    0.00358  
##  3     3 telefon    0.0165   
##  4     4 telefon    0.00319  
##  5     1 abonnement 0.00326  
##  6     2 abonnement 0.00871  
##  7     3 abonnement 0.00193  
##  8     4 abonnement 0.0130   
##  9     1 navn       0.000964 
## 10     2 navn       0.0000227
## # ... with 46,834 more rows

现在,我们可以找到每个主题的Top术语,即具有最高概率/ beta的单词。 在这里,我们选择前五个单词,我们将在一个图片中显示。

topTerms_pos <- topics_pos %>%
  group_by(topic)          %>%
  top_n(5, beta)           %>%
  ungroup()                %>%
  arrange(topic, -beta)    %>%
  mutate(order = rev(row_number()))

针对负面评论的主题建模

让我们首先对负面评论做同样的事情,创建一个包含973条评论的数据框架,其情绪得分低于-1。

df_neg <- df                        %>%
  filter(Sentiment < -1)            %>%
  select(-Sentiment)                %>%
  unnest_tokens(word, Review)

words_neg <- df_neg                 %>%
  count(Name, word, sort = TRUE)    %>%
  ungroup()

reviewDTM_neg <- words_neg          %>%
  cast_dtm(Name, word, n)

reviewLDA_neg <- LDA(reviewDTM_neg, k = 4, control = list(seed = 347))

tibble(topics(reviewLDA_neg))       %>%
  group_by(`topics(reviewLDA_neg)`) %>%
  count()                           %>%
  kable()                           %>%
  kable_styling(full_width = F, position = "left")

使用R和tidytext对Trustpilot 的评论进行主题建模

topics_neg <- tidy(reviewLDA_neg, matrix = "beta")

topTerms_neg <- topics_neg          %>%
  group_by(topic)                   %>%
  top_n(5, beta)                    %>%
  ungroup()                         %>%
  arrange(topic, -beta)             %>%
  mutate(order = rev(row_number()))

绘制主题模型

最后,让我们画出结果。

plot_pos <- topTerms_pos %>%
  ggplot(aes(order, beta)) +
  ggtitle("Positive review topics") +
  geom_col(show.legend = FALSE, fill = "steelblue") +
  scale_x_continuous(
    breaks = topTerms_pos$order,
    labels = topTerms_pos$term,
    expand = c(0,0)) +
  facet_wrap(~ topic,scales = "free") +
  coord_flip(ylim = c(0,0.02)) +
  my_theme() +
  theme(axis.title = element_blank())

plot_neg <- topTerms_neg %>%
  ggplot(aes(order, beta, fill = factor(topic))) +
  ggtitle("Negative review topics") +
  geom_col(show.legend = FALSE, fill = "indianred") +
  scale_x_continuous(
    breaks = topTerms_neg$order,
    labels = topTerms_neg$term,
    expand = c(0,0))+
  facet_wrap(~ topic,scales = "free") +
  coord_flip(ylim = c(0,0.02)) +
  my_theme() +
  theme(axis.title = element_blank())

grid.arrange(plot_pos, plot_neg, ncol = 1)

使用R和tidytext对Trustpilot 的评论进行主题建模

那么,客户在Trustpilot.dk上撰写评论喜欢和不喜欢什么? 不幸的是,这些评论都是丹麦语,但考虑到积极和消极评论的四个主题模型,这里是人们倾向于强调的内容:

积极评价:

  • 覆盖面和数据
  • 服务
  • 手机,商店和新商店——也许商店经常更换出故障的手机?
  • 计划(服务),丹麦克朗(丹麦货币),支付,账单-计划和支付的积极方面?

消极评价:

  • 客户服务,计划
  • 客户服务,电话,错误,计划
  • 电话,覆盖率,商店
  • 支付,账单,kr,计划

有趣的是,对于几乎相同的主题,客户似乎既有积极的体验,也有消极的体验。一些客户似乎体验到了良好的覆盖率,而另一些客户似乎抱怨覆盖率低。(客户)服务和支付也出现了相同的模式。

让我们进一步探索。

评论中的单词共现

为了查看在我们的两个数据集中是否经常使用“良好服务”和“不良服务”这样的单词对,我们将计算每对单词在标题或描述字段中出现的次数。 使用widyr包中的pairwise_count()很容易。

word_pairs_pos <- df_pos %>% 
  pairwise_count(word, Name, sort = TRUE)

word_pairs_neg <- df_neg %>%
  pairwise_count(word, Name, sort = TRUE)

然后,我们可以使用igraph和ggraph包绘制评论中同时出现的最常见的单词对。

set.seed(611)

pairs_plot_pos <- word_pairs_pos %>%
  filter(n >= 140)               %>%
  graph_from_data_frame()        %>%
  ggraph(layout = "fr") +
  geom_edge_link(aes(edge_alpha = n, edge_width = n), edge_colour = "steelblue") +
  ggtitle("Positive word pairs") +
  geom_node_point(size = 5) +
  geom_node_text(aes(label = name), repel = TRUE,
                point.padding = unit(0.2, "lines")) +
  my_theme() +
  theme(axis.title = element_blank(),
      axis.text = element_blank(),
      axis.ticks = element_blank())

pairs_plot_neg <- word_pairs_neg %>%
  filter(n >= 80)                %>%
  graph_from_data_frame()        %>%
  ggraph(layout = "fr") +
  geom_edge_link(aes(edge_alpha = n, edge_width = n), edge_colour = "indianred") +
  ggtitle("Negative word pairs") +
  geom_node_point(size = 5) +
  geom_node_text(aes(label = name), repel = TRUE,
                 point.padding = unit(0.2, "lines")) +
  my_theme() +
  theme(axis.title = element_blank(),
        axis.text = element_blank(),
        axis.ticks = element_blank())

grid.arrange(pairs_plot_pos, pairs_plot_neg, ncol = 2)

使用R和tidytext对Trustpilot 的评论进行主题建模

在积极的评论中,很明显“好”(“上帝”)这个词倾向于与“服务”,“覆盖”和“总是”这两个词共同出现。 在负面评论中,我们看到“坏”(“dårlig”)与“服务”,“覆盖”和“从不”共同发生。 模式非常相似,但相反!

词对相关

找出客户认为3的好坏的更直接的方法是使用pairwise_cor()函数,并专门查找与丹麦语中“好”和“坏”的词最相关的词。 或者,我们可以执行n-gram分析以找出哪些词最常出现“好”和“坏”。

cor_pos <- df_pos                       %>% 
  group_by(word)                        %>%
  filter(n() >= 100)                    %>%
  pairwise_cor(word, Name, sort = TRUE) %>%
  filter(item1 == "god")                %>%
  top_n(7)

cor_neg <- df_neg                       %>% 
  group_by(word)                        %>%
  filter(n() >= 100)                    %>%
  pairwise_cor(word, Name, sort = TRUE) %>% 
  filter(item1 == "dårlig")             %>%
  top_n(7)

让我们把这些数据合并成一张图。

cor_words <- rbind(cor_pos, cor_neg) %>%
    mutate(order = rev(row_number()),
           item1 = factor(item1, levels = c("god", "dårlig")))

cor_words %>%
  ggplot(aes(x = order, y = correlation, fill = item1)) +
  geom_col(show.legend = FALSE) +
  scale_x_continuous(
    breaks = cor_words$order,
    labels = cor_words$item2,
    expand = c(0,0)) +
  facet_wrap(~item1, scales = "free") +
  scale_fill_manual(values = c("steelblue", "indianred")) + 
  coord_flip() +
  labs(x = "words") +
  my_theme()

使用R和tidytext对Trustpilot 的评论进行主题建模

这一分析证实了一些评论人喜欢3所提供的(customer)服务和覆盖率,而另一些评论人则对他们的服务和覆盖率持负面看法。

作者:Peer Christensen 原文链接: https://peerchristensen.netlify.com/post/topic-modelling-of-trustpilot-reviews-with-r-and-tidytext/

版权声明: 作者保留权利。文章为作者独立观点,不代表数据人网立场。严禁修改,转载请注明原文链接:http://shujuren.org/article/808.html

数据人网: 数据人学习,交流和分享的平台,诚邀您创造和分享数据知识,共建和共享数据智库。


以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网

查看所有标签

猜你喜欢:

本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们

数据结构(C语言版)

数据结构(C语言版)

严蔚敏、吴伟民 / 清华大学出版社 / 2012-5 / 29.00元

《数据结构》(C语言版)是为“数据结构”课程编写的教材,也可作为学习数据结构及其算法的C程序设计的参数教材。 本书的前半部分从抽象数据类型的角度讨论各种基本类型的数据结构及其应用;后半部分主要讨论查找和排序的各种实现方法及其综合分析比较。其内容和章节编排1992年4月出版的《数据结构》(第二版)基本一致,但在本书中更突出了抽象数据类型的概念。全书采用类C语言作为数据结构和算法的描述语言。 ......一起来看看 《数据结构(C语言版)》 这本书的介绍吧!

图片转BASE64编码
图片转BASE64编码

在线图片转Base64编码工具

URL 编码/解码
URL 编码/解码

URL 编码/解码

HSV CMYK 转换工具
HSV CMYK 转换工具

HSV CMYK互换工具