用Java构建基于Twitter的比特币情感分析器

比特币创建于2009年,仍然是一个相当年轻的项目。但其市场价格非常不稳定。此外,比特币对大众效应更为敏感,比如像2017年底那样大众为占据的FOMO感觉一样。在大众的兴奋情绪推动下,比特币价格曾高达到2万美元的历史高点。

能够衡量围绕比特币的这种类型的情绪,可以很好地表明未来几个小时内等待比特币价格的因素。一个好的解决方案是分析像Twitter这样的社交网络上围绕比特币的活动。在本文中,我将教您如何创建一个Java程序,从Twitter上检索的tweets中分析关于比特币的所有大众情绪。

比特币情绪分析器规范





您将学习开发的比特币情绪分析器在执行过程中将执行以下操作:

1. 在Twitter上检索包含关键字bitcoin的推文


2. 分析每条检索到的推文,以及检测与之相关的大众情绪


3. 在Twitter上显示以下5种比特币情绪各自的百分比:非常消极,消极,中立,积极,非常积极

该程序将在每次执行后结束,由于Twitter是使用其免费的开发人员API设置的配额,将不会连续执行此分析。

创建Java项目

第一步是创建一个Java项目。我们将使用Maven作为依赖关系管理器。

在依赖性方面,我们将具有以下代码库:

1. Twitter4J是Twitter API的非官方Java客户端


2. Stanford CoreNLP是一个用于自然语言处理的开源库

Twitter4J将允许我们以一种简单的方式从Twitter中检索tweets的推文样本。Stanford CoreNLP代码库将使我们能够检测与每个相关推文相关的情绪。

这为我们的项目提供了以下POM:

<?xml version=”1.0″ encoding=”UTF-8″?>


<project xmlns=”http://maven.apache.org/POM/4.0.0″ xmlns:xsi=”http://www.w3.org/2001/XMLSchema-instance” xsi:schemaLocation=”http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd”>


  <modelVersion>4.0.0</modelVersion>


  <groupId>com.ssaurel</groupId>


  <artifactId>bitcoinsentiment</artifactId>


  <version>0.0.1-SNAPSHOT</version>


  <packaging>jar</packaging>


  <name>bitcoinsentiment</name>


  <url>http://maven.apache.org</url>

  <properties>


    <project.build.sourceEncoding>UTF-8</project.build.sourceEncoding>


  </properties>

  <dependencies>


    <dependency>


      <groupId>edu.stanford.nlp</groupId>


      <artifactId>stanford-corenlp</artifactId>


      <version>3.9.2</version>


    </dependency>

    <dependency>


      <groupId>edu.stanford.nlp</groupId>


      <artifactId>stanford-corenlp</artifactId>


      <version>3.9.2</version>


      <classifier>models</classifier>


    </dependency>

    <dependency>


      <groupId>org.twitter4j</groupId>


      <artifactId>twitter4j-core</artifactId>


      <version>[4.0,)</version>


    </dependency>

    <dependency>


      <groupId>org.slf4j</groupId>


      <artifactId>slf4j-simple</artifactId>


      <version>1.6.1</version>


    </dependency>

    <dependency>


      <groupId>junit</groupId>


      <artifactId>junit</artifactId>


      <version>3.8.1</version>


      <scope>test</scope>


    </dependency>

  </dependencies>


</project>

创建一个Twitter应用程序

使用Twitter API需要创建开发者帐户。它是免费的,但会有一定调用次数和配额限制使用。作为我们用于展示目的的项目的一部分,这是完全足够的。使用Twitter API所需的开发者帐户的创建在此处完成:

开发者地址https://developer.twitter.com/

创建此帐户后,您将转到下一页:

用Java构建基于Twitter的比特币情感分析器

您将需要创建一个新的应用程序。我选择将我的应用程序命名为“ Bitcoin_Sentiment_Analyzer”。在创建此应用程序期间,您将必须填写有关它的一定数量的信息。最后,您将到达“Keys and tokens””屏幕,在该屏幕上,您将找到使您在调用Twitter API来检索与比特币相关的推文时正确进行身份验证的信息:

用Java构建基于Twitter的比特币情感分析器

检索推文

现在已经创建了与比特币情绪分析器关联的Twitter应用程序,我们将能够继续检索程序中的推文。为此,我们将依靠Twitter4J代码库。

Twitter4J具有TwitterFactory和Twitter类作为其入口点。

TwitterFactory类将包含与Twitter API的连接信息的Configuration对象实例作为输入:
· 使用者API公钥
· 使用者API密钥
· 访问Token
· 访问Token密钥

然后,我将通过调用其getInstance方法从TwitterFactory检索Twitter对象实例的实例。有了这个对象,我们将能够在Twitter API上启动查询。我们将使用其搜索方法来检索符合特定条件的推文。

在Query对象中对查询建模,该对象以与您要通过Twitter API执行的查询相对应的字符串作为输入。对于比特币情绪分析器,我想检索包含关键字bitcoin的推文,而不是转发,链接,答案或图片。

该查询用以下字符串表示:

bitcoin -filter:retweets -filter:links -filter:replies -filter:images

Query类的setCount方法允许您定义要检索的结果数。如果使用免费的开发人员API,则此数量限制为100个结果。

最后,仍然需要通过从Twitter对象实例的search方法传递该查询来执行此查询 返回一个QueryResult对象,将其保留在其上以调用getTweets方法以检索Status对象的列表。每个Status对象代表一条推文。最终可以通过后一个对象的getText方法访问其文本内容。

所有这些提供了以下searchTweets方法:

public static List < Status > searchTweets(String keyword) {
 List < Status > tweets = Collections.emptyList();

 ConfigurationBuilder cb = new ConfigurationBuilder();
 cb.setDebugEnabled(true).setOAuthConsumerKey(“YOUR_CONSUMER_KEY”)
  .setOAuthConsumerSecret(“YOUR_CONSUMER_SECRET”)
  .setOAuthAccessToken(“YOUR_ACCESS_TOKEN”)
  .setOAuthAccessTokenSecret(“YOUR_ACCESS_TOKEN_SECRET”);
 TwitterFactory tf = new TwitterFactory(cb.build());
 Twitter twitter = tf.getInstance();

 Query query = new Query(keyword + ” -filter:retweets -filter:links -filter:replies -filter:images”);
 query.setCount(100);
 query.setLocale(“en”);
 query.setLang(“en”);;

 try {
  QueryResult queryResult = twitter.search(query);
  tweets = queryResult.getTweets();
 } catch (TwitterException e) {}

 return tweets;

}

分析一条推文的情绪分析

下一步是分析一条推文的情绪分析。Google,Amazon或Microsoft提供解决方案。但是也有非常好的免费和开源解决方案,例如Stanford CoreNLP代码库。

Stanford CoreNLP代码库完全满足我们的需求,这是我们的比特币情绪分析器程序的一部分。

StanfordCoreNLP类是API的入口点。我们通过传递属性的实例作为实例来实例化此对象,在其中定义了将在文本分析期间使用的不同注释器。

然后,我调用StanfordCoreNLP对象的处理方法以开始文本分析。作为结果回报,我得到一个Annotation对象,将在该对象上迭代以获得关联的CoreMap对象。对于这些对象中的每一个,我都检索一个Tree对象,该对象是通过将SentimentAnnotatedTree类作为输入调用get方法而获得的。

最后,仍然需要通过传递Tree的此实例作为输入来调用RNNCoreAnnotations类的静态方法getPredictedClass。返回值对应于此分析文本的总体情绪。文本的总体情感是通过保留文本最长部分的情感来计算的。

为作为输入传递的文本计算的情感表示为一个整数,其值的范围可以从0到4(含0和4)。

为了便于以后对文本的情绪进行操作,我定义了TypeSentiment枚举,将每个值与以该枚举的形式定义的关联感觉相关联。

所有这些都给出以下代码:

enum TypeSentiment {
 VERY_NEGATIVE(0), NEGATIVE(1), NEUTRAL(2), POSITIVE(3), VERY_POSITIVE(4);

 int index;

 private TypeSentiment(int index) {
  this.index = index;
 }

 public static TypeSentiment fromIndex(int index) {
  for (TypeSentiment typeSentiment: values()) {
   if (typeSentiment.index == index) {
    return typeSentiment;
   }
  }

  return TypeSentiment.NEUTRAL;
 }
}

public static TypeSentiment analyzeSentiment(String text) {
 Properties props = new Properties();
 props.setProperty(“annotators”, “tokenize, ssplit, parse, sentiment”);
 StanfordCoreNLP pipeline = new StanfordCoreNLP(props);
 int mainSentiment = 0;

 if (text != null && text.length() > 0) {
  int longest = 0;
  Annotation annotation = pipeline.process(text);

  for (CoreMap sentence: annotation.get(CoreAnnotations.SentencesAnnotation.class)) {
   Tree tree = sentence.get(SentimentCoreAnnotations.SentimentAnnotatedTree.class);
   int sentiment = RNNCoreAnnotations.getPredictedClass(tree);
   String partText = sentence.toString();
   if (partText.length() > longest) {
    mainSentiment = sentiment;
    longest = partText.length();
   }

  }
 }

 return TypeSentiment.fromIndex(mainSentiment);
}

汇编程序的不同部分

现在我们可以检索与给定关键字相对应的推文。然后我们能够分析其每个推文,以获得与之相关的推文情绪。剩下的就是将所有这些汇编到BitcoinSentimentAnalyzer类的主要方法中。

首先我定义一个HashMap,它将存储在分析的tweets中发现每个情感的次数。然后使用关键字“ bitcoin”作为输入来调用searchTweets方法。

下一步是迭代由searchTweets方法返回的列表中包含的Status对象。对于每条推文,我都检索关联的文本并调用analysisSentiment方法以TypeSentiment实例的形式计算关联的情感。

每次返回情感时,我们都会在HashMap中增加计数器。在分析了所有检索到的推文之后,我们可以显示关于比特币的每种观点的百分比,以在Twitter上给出当前观点的分布。

以下是完整的代码:

package com.ssaurel.bitcoinsentiment;

import java.util.Collections;
import java.util.HashMap;
import java.util.List;
import java.util.Map.Entry;
import java.util.Properties;

import edu.stanford.nlp.ling.CoreAnnotations;
import edu.stanford.nlp.neural.rnn.RNNCoreAnnotations;
import edu.stanford.nlp.pipeline.Annotation;
import edu.stanford.nlp.pipeline.StanfordCoreNLP;
import edu.stanford.nlp.sentiment.SentimentCoreAnnotations;
import edu.stanford.nlp.trees.Tree;
import edu.stanford.nlp.util.CoreMap;
import twitter4j.Query;
import twitter4j.QueryResult;
import twitter4j.Status;
import twitter4j.Twitter;
import twitter4j.TwitterException;
import twitter4j.TwitterFactory;
import twitter4j.conf.ConfigurationBuilder;

public class BitcoinSentimentAnalyzer {

 enum TypeSentiment {
  VERY_NEGATIVE(0), NEGATIVE(1), NEUTRAL(2), POSITIVE(3), VERY_POSITIVE(4);

  int index;

  private TypeSentiment(int index) {
   this.index = index;
  }

  public static TypeSentiment fromIndex(int index) {
   for (TypeSentiment typeSentiment: values()) {
    if (typeSentiment.index == index) {
     return typeSentiment;
    }
   }

   return TypeSentiment.NEUTRAL;
  }
 }

 public static List < Status > searchTweets(String keyword) {
  List < Status > tweets = Collections.emptyList();

  ConfigurationBuilder cb = new ConfigurationBuilder();
  cb.setDebugEnabled(true).setOAuthConsumerKey(“UiLHCETjD1SLKb4EL6ixm90Mv”)
   .setOAuthConsumerSecret(“fDAqCfMQ6Azj1BbvXqS3f9HoPNM6BIGSV7jw3SUBu8TAaPPnBx”)
   .setOAuthAccessToken(“58410144-m5F3nXtyZGNXFZzofNhYp3SQdNMrbfDLgZSvFMdOq”)
   .setOAuthAccessTokenSecret(“PxlJJ3dRMlMiUf7rFAqEo4n0yLbiC6FC4hyvKF7ISBgdW”);
  TwitterFactory tf = new TwitterFactory(cb.build());
  Twitter twitter = tf.getInstance();

  Query query = new Query(keyword + ” -filter:retweets -filter:links -filter:replies -filter:images”);
  query.setCount(100);
  query.setLocale(“en”);
  query.setLang(“en”);;

  try {
   QueryResult queryResult = twitter.search(query);
   tweets = queryResult.getTweets();
  } catch (TwitterException e) {}

  return tweets;

 }

 public static TypeSentiment analyzeSentiment(String text) {
  Properties props = new Properties();
  props.setProperty(“annotators”, “tokenize, ssplit, parse, sentiment”);
  StanfordCoreNLP pipeline = new StanfordCoreNLP(props);
  int mainSentiment = 0;

  if (text != null && text.length() > 0) {
   int longest = 0;
   Annotation annotation = pipeline.process(text);

   for (CoreMap sentence: annotation.get(CoreAnnotations.SentencesAnnotation.class)) {
    Tree tree = sentence.get(SentimentCoreAnnotations.SentimentAnnotatedTree.class);
    int sentiment = RNNCoreAnnotations.getPredictedClass(tree);
    String partText = sentence.toString();
    if (partText.length() > longest) {
     mainSentiment = sentiment;
     longest = partText.length();
    }

   }
  }

  return TypeSentiment.fromIndex(mainSentiment);
 }

 public static void main(String[] args) {
  HashMap < TypeSentiment, Integer > sentiments = new HashMap < BitcoinSentimentAnalyzer.TypeSentiment, Integer > ();
  List < Status > list = searchTweets(“bitcoin”);

  for (Status status: list) {
   String text = status.getText();
   TypeSentiment sentiment = analyzeSentiment(text);
   Integer value = sentiments.get(sentiment);

   if (value == null) {
    value = 0;
   }

   value++;
   sentiments.put(sentiment, value);
  }

  int size = list.size();
  System.out.println(“Sentiments about Bitcoin on ” + size + ” tweets”);

  for (Entry < TypeSentiment, Integer > entry: sentiments.entrySet()) {
   System.out.println(entry.getKey() + ” => ” + (entry.getValue() * 100) / size + ” %”);
  }
 }

}

运行比特币情绪分析器

本文的最佳之处在于,我们将把刚刚构建的比特币情绪分析器程序付诸实践。执行该程序后,经过几秒钟的分析,我得到以下结果:


用Java构建基于Twitter的比特币情感分析器

在Twitter API返回的推文示例中,人们对比特币的普遍看法如下:

1. 2%非常负面的推文
2. 72%的负面推文
3. 12%的中立推文
4. 14%的正面推文

我们的比特币情绪分析清楚地表明,目前Twitter上的总体情绪对比特币相当负面。

更进一步

我们的比特币情绪分析仪功能完善,为进一步分析比特币情绪提供了良好的基础。因此,您可以连续执行此分析,以使其与可通过Coindesk的比特币价格指数API检索的比特币价格相关。

因此,如果Twitter上有关比特币的普遍情绪与价格的变化直接相关,则可以由此推断。该程序可以帮助您改善对比特币未来价格的预测。对于此类程序,您将需要切换到Twitter的付费开发人员API,以实时获取有关比特币的推文。

关键词: Java  比特币情感分析器  

该内容来自于互联网公开内容,非区块链原创内容,如若转载,请注明出处:https://htzkw.com/archives/28274

联系我们

aliyinhang@gmail.com