Amazonレビューをセンチメント分析（感情分析）する【Python】

Amazonレビューは、何かと話題になります。
今なら、Amazonレビューにはサクラが多くて胡散臭いという話題でしょうか？

Amazonレビューは、以前は本当に役に立ちました。
参考にして買い物をすることも多くありました。
しかし、今はレビューを参考にすることが、めっきりと減りました。

そもそも、Amazonでの買い物をする機会が減りました。
その代わりに、安全なイメージのヨドバシで買い物をしています。
レビュー以外にも、悪質な業者の問題がAmazonには存在していますからね。

そのイメージの悪いAmazonレビューに関して、この記事で取り上げます。
どう取り上げるかと言うと、センチメント分析（感情分析）の対象とします。

本記事の内容

Amazonレビューをセンチメント分析（感情分析）する目的・意図
Amazonレビューを取得（データ収集）する
Amazonレビューをセンチメント分析（感情分析）する
Amazonレビューのセンチメント分析結果
センチメント分析（感情分析）は使えない！？

それでは、上記に沿って解説していきます。

Amazonレビューをセンチメント分析（感情分析）する目的・意図

Amazonレビューには、多くの情報が集まっています。
まず、その投稿の量が圧倒的です。

確かに、サクラも多いのでしょう。
でも、サクラ以外の真っ当なレビューも多く投稿されています。

その投稿数が、他サイトとは比較にはなりません。
ヨドバシでは、レビューはほとんど投稿されないようです。
その意味でも、Amazonのレビューには価値があります。

また、コメントと評価（星1～5）がセットになっているのもポイントです。
このようにセットになっている点が、データ分析の際には役に立ちます。

以上より、Amazonレビューにはデータ量と内容（コメントと評価）が備わっていると言えます。
そして、何よりもネガポジ分析を実際のデータでやりたかったというのが大きいです。

自分にも身近なデータで分析する方が、モチベーションも沸きますからね。

Amazonレビューを取得（データ収集）する

データ分析の最初の関門となります。
どうやってデータを大量に集めるのか？ということですね。

これに関しては、全く問題ありません。
本ブログでは、多くのサイトをスクレイピングした結果を記事にしています。

その中でも、次の記事は今回の作業にビンゴです。

上の記事の内容を若干修正して、データを集めました。
改良したコードは以下。

import bs4           
import time
import re
from selenium import webdriver
from selenium.webdriver.chrome.options import Options
import pandas as pd
 
CHROME_DRIVER = "chromedriver.exeのパス"
FILE_PATH = "./amazon_data/review.json"
 
# Amazonページ取得
def get_page_from_amazon(url):
     
    text = ""
    #　ヘッドレスモードでブラウザを起動
    options = Options()
    options.add_argument('--headless')
     
    # ブラウザーを起動
    driver = webdriver.Chrome(CHROME_DRIVER, options=options)
    driver.get(url)
    driver.implicitly_wait(10)  # 見つからないときは、10秒まで待つ
     
    text = driver.page_source
         
    # ブラウザ停止
    driver.quit()
     
    return text
 
# 全ページ分をリストにする
def get_all_reviews(url):
    rvw_list = []
    i = 1
    while True:
        print(i,'searching')
        i += 1
        text = get_page_from_amazon(url)
        amazon_soup = bs4.BeautifulSoup(text, features='lxml')
 
        for ratings in amazon_soup.find_all("div", attrs={"data-hook": "review"}):     
            submission_date = ratings.find("span", {'data-hook':'review-date'}).text
            rating = ratings.find('i', attrs={"data-hook": "review-star-rating"}).text
            review_txt = ratings.find("span", {'data-hook':'review-body'}).text
            #paid = ratings.find("span", attrs={"class": "a-color-success a-text-bold"})
            print(submission_date + "@" + rating + "@" + review_txt)
            print('\n')
             
            if submission_date:
                 
                rating = rating.replace("5つ星のうち", "")
                submission_date = extract_date(submission_date)
                 
                info = {}
                info["postdate"] = submission_date
                info["rating"] = rating
                info["review_txt"] = review_txt
             
                rvw_list.append(info)
        # 次へボタン
        next_page = amazon_soup.select('li.a-last a')   
 
        if next_page != []:    
            next_url = 'https://www.amazon.co.jp/' + next_page[0].attrs['href']    
            url = next_url
            # 最低でも1秒は間隔をあける
            time.sleep(1)       
        else:
            break
 
    return rvw_list
 
def extract_date(s):
    date_pattern = re.compile('(\d{4})年(\d{1,2})月(\d{1,2})日')
    result = date_pattern.search(s)
    if result:
        y, m, d = result.groups()
         
        return str(y) + str(m.zfill(2)) + str(d.zfill(2))
    else:
        return None
     
if __name__ == '__main__':
     
    #　Amzon商品ページ
    url = 'https://www.amazon.co.jp/dp/B081CR9LQ1?pf_rd_r=9G7DP9DBQV9R5WWBA7GB&amp;pf_rd_p=cf3dd3d4-7c29-4fa2-a9b7-8e9f95c1f37f&amp;pd_rd_r=56934866-4323-49ea-ae8e-289260468100&amp;pd_rd_w=bIWmn&amp;pd_rd_wg=gA4B0&amp;ref_=pd_gw_ci_mcx_mr_hp_d'
    
    # URLをレビューページのものに書き換える
    new_url = url.replace('dp', 'product-reviews')
     
    # レビューの取得
    rvw_list = get_all_reviews(new_url)    
     
    # データフレームに変換
    df = pd.DataFrame(rvw_list)
     
    # jsonとして保存
    df.to_json(FILE_PATH, orient='records')

内容に不明な点があれば、過去記事を参考にしてください。
詳細を説明しています。

このサンプルコードを動かすと、該当するAmazonの商品ページのレビューを収集します。
その結果は、amazon_dataフォルダ内のreview.jsonに保存されます。

投稿日
評価
コメント

項目的には、上記の３つとなります。

Amazonレビューをセンチメント分析（感情分析）する

センチメント分析（感情分析）は、難しそう。。。
このように思うかもしれません。

ただ、分析するだけなら簡単にできます。
やり方は以下。

単語感情極性対応表（ネガポジ辞書）を取得する
分析対象の文章を単語に分割する（形態素解析）
ネガポジ辞書と単語を比較する（否定・肯定の判定）

では、上記を説明していきましょう。

単語感情極性対応表（ネガポジ辞書）を取得する

以下のページにアクセスします。
「日本語」のリンク先が辞書となります。
http://www.lr.pi.titech.ac.jp/~takamura/pndic_ja.html

優れる:すぐれる:動詞:1
良い:よい:形容詞:0.999995
喜ぶ:よろこぶ:動詞:0.999979
褒める:ほめる:動詞:0.999979
めでたい:めでたい:形容詞:0.999645
～
厄難:やくなん:名詞:-0.765276
紡ぐ:つむぐ:動詞:-0.765358
自製:じせい:名詞:-0.765388
死亡:しぼう:名詞:-0.765674
主義:しゅぎ:名詞:-0.765714

上記がその内容です。
単語毎に値が設定されています。
その値の範囲は、-1から1までとなります。

１に近いほど、肯定的なワードです。
-1に近いほど、否定的なワードです。

分析対象の文章を単語に分割する（形態素解析）

文章を形態素解析します。
形態素解析に関しては、次の記事で詳しく説明しています。

プログラム的には、複雑なことはしません。
専用のソフトを用いて、簡単に行うことができます。
今回は、MecabをPythonから用いて形態素解析を行っています。

ネガポジ辞書と単語を比較する（否定・肯定の判定）

ここまで説明してきたら、わかると思います。
形態素解析によって、文章毎（レビューのコメント）に単語が求められます。

そして、その単語が単語感情極性対応表（ネガポジ辞書）にあるかどうかを調べます。
あった場合は、何点（-1～1の間の数値）なのかを求めます。
複数の単語がマッチする場合は、その平均を用います。

Amazonレビューのセンチメント分析結果

約9000件のレビューを分析しました。
上記のデータ収集プログラムで集めたデータです。

以下の３つの結果を確認しましょう

ヒストグラム
散布図
結果一覧

では、それぞれを確認します。

ヒストグラム

基本的には、ネガティブの結果が多いです。
9割以上が、0以下という結果ですね。

ヒストグラムに関しては、次の記事が参考になります。
簡単にヒストグラムの図を作成できます。

レビューのコメントには、ネガティブな結果が多いことはわかりました。
では、その結果と評価（星1～５)との関係が気になります。

その二つの値の関係性を見るには、散布図が約に立ちます。
以下で、それを確認しましょう。

散布図

横（x軸）が、ネガポジ（PN）結果の値です。
縦（y軸）が、Amazonレビューにおける評価です。

この結果を見ると、次のことが言えます。

低評価(1と2）にはネガティブなコメントしかない
高評価にもネガティブなコメントが多い
基本的にはネガティブなコメントが多い

結果一覧

結果を直接確認します。

まずは、ポジティブなコメントから。
つまり、値が１に近いモノということです。

pn：ネガポジ分析の値
rating：Amazonレビューにおける評価（星）
review_text：Amazonレビューにおけるコメント

確かに、肯定的なコメントが並びます。
あと、コメントが短いというのが目立ちますね。

次は、ネガティブなコメントを確認しましょう。
pnが-1に近いモノということです。

どうもオカシイ。。。
まあ、これが単語感情極性対応表（ネガポジ辞書）を単純に利用した場合の限界ですね。

「言うことなし」の「なし」が、ネガティブ判定されているのです。
「部屋の汚れが少なくなって来ました」では、「汚れ」や「少なく」がネガティブとされているのでしょう。

文脈に沿った分析を行えていないという証拠になります。
単純に、単語で判定するとこのような結果になってしまうのでしょう。

センチメント分析（感情分析）は使えない！？

センチメント分析（感情分析）を行ってきました。
正直、微妙ですね。

散布図を見る限りでは、全く見当違いというわけでもないようです。
そのため、「センチメント分析（感情分析）は使えない」と断定するのは時期早々でしょう。

これは、あくまでセンチメント分析（感情分析）のスタートです。
ここからネガポジ判定の精度をどうやって上げていくのか？

単語感情極性対応表（ネガポジ辞書）にもっと情報を増やすのか？
それとも、文脈を考慮した分析方法があるのか？

センチメント分析（感情分析）における課題ですね。
それでは、最後にセンチメント分析（感情分析）を行ったサンプルコードを載せておきます。

import pandas as pd
import json
import MeCab
import re
import matplotlib.pyplot as plt
import numpy as np
 
FILE_PATH = "./amazon_data/review.json"
DIC_PATH = "-d ipadic-neologdのパス" # 辞書ipadic-neologdがあれば、そのパスを記述
 
def get_dic_list(text):
     
    mecab = MeCab.Tagger(DIC_PATH)
    parsed = mecab.parse(text)      
    lines = parsed.split('\n') 
    lines = lines[0:-2]     
     
    dic_list = []
    for line in lines:
        tmp = re.split('\t|,', line)
        dic = {'dsp':tmp[0], 'kind_1':tmp[1], 'kind_2':tmp[2], 'value':tmp[7]}
        dic_list.append(dic)
         
    return dic_list
 
# PN判定
def judge_pn(pn_dict, dic_list):
     
    all_pn = 0
    count = 0
    result = ""
     
    for word in dic_list:
        base = word['value']        
        if base in pn_dict:
            count = count + 1
            pn = float(pn_dict[base])  
            all_pn = all_pn + pn
 
    if all_pn != 0:
        result = all_pn / count
     
    return result  
 
# Amazonレビューの読み込み
 
json_open = open(FILE_PATH, 'r')
review_list = json.load(json_open)
 
 
# ネガポジ辞書の読み込み
pn_df = pd.read_csv('dic/pn_ja.dic.txt',\
                    sep=':',
                    encoding='utf-8',
                    names=('Word','Reading','POS', 'PN')
                   )
 
# ネガポジ辞書をデータフレームからdict型に変換
word_list = list(pn_df['Word'])
pn_list = list(pn_df['PN'])  
pn_dict = dict(zip(word_list, pn_list))
 
new_review_list = []
for review in review_list:
     
    review_txt = review["review_txt"]
    rating = review["rating"]
    postdate = review["postdate"]
    dic_list = get_dic_list(review_txt)
    pn = judge_pn(pn_dict, dic_list)
     
    review["pn"] = pn
     
    if pn:
        new_review_list.append(review)
     
new_review_list_df = pd.DataFrame(new_review_list)
 
# 欠損値が一つでも含まれる行を削除
new_review_list_df = new_review_list_df.dropna(how='any')
x = new_review_list_df["pn"].astype(float)
y = new_review_list_df["rating"].astype(float)
 
fig = plt.figure(dpi=100, figsize=(4.6,3.8))
#fig.suptitle('評価：PN', fontsize=10, x=0.27, y=0.87)
ax = fig.add_subplot(111)
ax.yaxis.set_label_coords(-0.07,0.4)
 
# 目盛の値
xscale = np.arange(-1.0, 1.1, 0.2)
yscale = np.arange(0, 6, 1.0)
 
# 散布図を描画
plt.scatter(x, y, c='#00FFFF', edgecolors="#37BAF2")
plt.title("評価・PN散布図", fontsize=17)
plt.xticks(xscale, fontsize=8)
plt.yticks(yscale, fontsize=8)
plt.xlabel("PN", fontsize=10)
plt.ylabel("評\n価", fontsize=10, rotation=0)
plt.xlim(-1.1, 1.1)
plt.ylim(0.5, 5.5)
  
plt.subplots_adjust(left=0.1, right=0.98, bottom=0.13, top=0.89)
plt.savefig("result_1.png", facecolor="white")
 
"""
# グラフを表示
plt.hist(x)
# グラフを画像保存
plt.savefig("result_2.png", facecolor="white")
"""