- \n
- Tokenizzazione<\/strong>: dividere un testo in parole o frasi<\/li>\n\n\n\n
- Lemmatizzazione\/Stemming<\/strong>: ridurre le parole alla loro forma base (es. correndo \u2192 correre)<\/li>\n\n\n\n
- Vettorizzazione<\/strong>: trasformare il testo in numeri che un modello possa elaborare<\/li>\n\n\n\n
- Classificazione<\/strong>: assegnare etichette (positivo, negativo, neutro) a un testo<\/li>\n<\/ul>\n\n\n\n
Le tre categorie emotive<\/h2>\n\n\n\n
Nella sua forma pi\u00f9 basilare, la sentiment analysis classifica il testo in una di queste tre categorie:<\/p>\n\n\n\n
- \n
- Positivo<\/strong>: Esprime soddisfazione, gradimento, appoggio, ecc. (Es: “Questo prodotto \u00e8 incredibile e ha superato le mie aspettative”)<\/li>\n\n\n\n
- Negativo<\/strong>: Esprime insoddisfazione, disgusto, critica, ecc. (Es: “Il servizio \u00e8 stato lento e la qualit\u00e0 deludente”)<\/li>\n\n\n\n
- Neutro<\/strong>: Esprime fatti, informazioni oggettive o un’opinione senza una chiara carica emotiva (Es: “La riunione \u00e8 programmata per marted\u00ec alle 10”)<\/li>\n<\/ul>\n\n\n\n
Il tuo percorso nel NLP con la sentiment analysis<\/h2>\n\n\n\n
Iniziare nel mondo del NLP pu\u00f2 sembrare complicato, ma la sentiment analysis offre un percorso chiaro e gratificante. Ecco i passaggi fondamentali!<\/p>\n\n\n\n
1. Pre-elaborazione del testo: la pulizia iniziale<\/h3>\n\n\n\n
Prima che una macchina possa “capire” il testo, questo deve essere pulito e standardizzato. Questo passaggio \u00e8 fondamentale:<\/p>\n\n\n\n
- \n
- Tokenizzazione<\/strong>: Dividere il testo in unit\u00e0 pi\u00f9 piccole chiamate token (parole o frasi). Es: “Il cibo \u00e8 buono.” \u2192 [‘Il’, ‘cibo’, ‘\u00e8’, ‘buono’, ‘.’]<\/li>\n\n\n\n
- Rimozione delle stop words<\/strong>: Eliminare le parole comuni che non aggiungono significato emotivo (es. ‘il’, ‘la’, ‘un’, ‘e’)<\/li>\n\n\n\n
- Lemmatizzazione\/Stemming<\/strong>: Ridurre le parole alla loro radice o forma base in modo che il modello le riconosca come la stessa entit\u00e0. Es: ‘correndo’, ‘correr\u00e0’ \u2192 ‘corr’ (Stemming) o ‘correre’ (Lemmatizzazione)<\/li>\n<\/ul>\n\n\n\n
2. Rappresentazione del testo: da parole a numeri<\/h3>\n\n\n\n
I computer capiscono solo i numeri. Dobbiamo convertire i nostri token in un formato numerico che l’algoritmo di Machine Learning possa elaborare.<\/p>\n\n\n\n
- \n
- Bag-of-Words (BoW)<\/strong>: Un metodo semplice dove si conta la frequenza di ogni parola nel documento. Ignora l’ordine, ma conserva l’informazione su quali parole sono presenti<\/li>\n\n\n\n
- TF-IDF (Term Frequency – Inverse Document Frequency)<\/strong>: Assegna pesi alle parole. Un peso alto significa che la parola \u00e8 importante in un documento specifico, ma non \u00e8 comune nell’intera collezione. Ottimo per evidenziare i termini chiave<\/li>\n\n\n\n
- Word embeddings<\/strong>: Tecniche pi\u00f9 avanzate (come Word2Vec o modelli basati su Transformer come BERT) che mappano le parole in vettori ad alta dimensione. Questi vettori catturano il contesto semantico della parola, permettendo alla macchina di capire che ‘re’ e ‘regina’ sono correlati!<\/li>\n<\/ul>\n\n\n\n
3. Modellazione: scegli il tuo algoritmo<\/h3>\n\n\n\n
Con i dati pronti, \u00e8 il momento di addestrare il modello di classificazione:<\/p>\n\n\n\n
- \n
- Approccio basato su lessici<\/strong>: Utilizza liste predefinite di parole gi\u00e0 etichettate come positive o negative (lessici). Si sommano semplicemente i pesi delle parole nel testo. \u00c8 semplice e veloce!<\/li>\n\n\n\n
- Approccio basato su machine learning<\/strong>: Addestrare un classificatore (come Regressione Logistica, Naive Bayes o Support Vector Machines) su un dataset gi\u00e0 etichettato (es. recensioni che sappiamo essere positive o negative). \u00c8 pi\u00f9 preciso, ma richiede dati di addestramento<\/li>\n\n\n\n
- Approccio basato su deep learning<\/strong>: Usare Reti Neurali Ricorrenti (RNN) o, pi\u00f9 comunemente, modelli basati su Transformer. Questi rappresentano lo stato dell’arte e offrono la massima precisione nel catturare sfumature complesse e l’ordine delle parole<\/li>\n<\/ul>\n\n\n\n
![\"\"](\"https:\/\/www.codemotion.com\/magazine\/wp-content\/uploads\/2025\/10\/1w5AiHQTC6REINSnYEYnPHg.png\")
<\/figure>\n\n\n\nStrumenti essenziali per iniziare<\/h2>\n\n\n\n
Non devi partire da zero. L’ecosistema del NLP \u00e8 ricco e accessibile per i principianti.<\/p>\n\n\n\n
Esempio 1: sentiment analysis con TextBlob<\/h3>\n\n\n\n
TextBlob \u00e8 una libreria semplice per iniziare con il NLP.<\/p>\n\n\n
from textblob import TextBlob\n\n# Esempi di frasi<\/span>\nfrasi = [\n \"Adoro questo prodotto, \u00e8 incredibile!\"<\/span>,\n \"Il servizio \u00e8 stato terribile, non lo consiglio.\"<\/span>,\n \"Va bene, ma potrebbe essere meglio.\"<\/span>\n]\n\nfor<\/span> frase in frasi:\n blob = TextBlob(frase)\n sentimento = blob.sentiment.polarity # valore tra -1 (negativo) e 1 (positivo)<\/span>\n \n if<\/span> sentimento > 0<\/span>:\n etichetta = \"Positivo\"<\/span>\n elif sentimento < 0<\/span>:\n etichetta = \"Negativo\"<\/span>\n else<\/span>:\n etichetta = \"Neutro\"<\/span>\n \n print<\/span>(f\"Testo: {frase}\"<\/span>)\n print<\/span>(f\"Polarit\u00e0: {sentimento:.2f} \u2192 {etichetta}\\n\"<\/span>)\n<\/code><\/span>Code language:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\nSpiegazione<\/strong>: Il metodo
sentiment.polarity<\/code> restituisce un numero tra -1 e 1. In base al valore, classifichiamo il testo come positivo, negativo o neutro.<\/p>\n\n\n\nEsempio 2: usare NLTK e un classificatore Naive Bayes<\/h3>\n\n\n\n
Se vuoi un po’ pi\u00f9 di controllo, puoi addestrare il tuo modello.<\/p>\n\n\n
import nltk\nfrom nltk.corpus import movie_reviews\nimport random\n\n# Scaricare il dataset di recensioni cinematografiche<\/span>\nnltk.download('movie_reviews'<\/span>)\n\n# Creare il dataset con etichette<\/span>\ndocumenti = [(list<\/span>(movie_reviews.words(fileid)), category)\n for<\/span> category in movie_reviews.categories()\n for<\/span> fileid in movie_reviews.fileids(category)]\n\nrandom.shuffle(documenti)\n\n# Estrarre le 2000 parole pi\u00f9 frequenti<\/span>\nall_words = nltk.FreqDist(w.lower() for<\/span> w in movie_reviews.words())\nparole_caratteristiche = list<\/span>(all_words)[:2000<\/span>]\n\ndef estrai_caratteristiche(doc):\n parole_doc = set(doc)\n return<\/span> {parola: (parola in parole_doc) for<\/span> parola in parole_caratteristiche}\n\n# Addestrare il classificatore<\/span>\ncaratteristiche = [(estrai_caratteristiche(d), c) for<\/span> (d, c) in documenti]\ntrain_set, test_set = caratteristiche[100<\/span>:], caratteristiche[:100<\/span>]\nclassificatore = nltk.NaiveBayesClassifier.train(train_set)\n\n# Valutare<\/span>\nprint<\/span>(\"Accuratezza:\"<\/span>, nltk.classify.accuracy(classificatore, test_set))\n\n# Testare con un nuovo testo<\/span>\ntesto = \"This movie was fantastic! I loved it.\"<\/span>\nprint<\/span>(classificatore.classify(estrai_caratteristiche(testo.split())))\n<\/code><\/span>Code language:<\/span> PHP<\/span> (<\/span>php<\/span>)<\/span><\/small><\/pre>\n\n\nSpiegazione<\/strong>:<\/p>\n\n\n\n
- \n
- Usiamo un dataset di recensioni cinematografiche gi\u00e0 etichettate<\/li>\n\n\n\n
- Estraiamo le parole pi\u00f9 frequenti come caratteristiche<\/li>\n\n\n\n
- Addestriamo un classificatore Naive Bayes<\/li>\n\n\n\n
- Testiamo con un nuovo testo per vedere se lo classifica come positivo o negativo<\/li>\n<\/ul>\n\n\n\n
Cosa fare dopo questi primi passi?<\/h2>\n\n\n\n
- Approccio basato su machine learning<\/strong>: Addestrare un classificatore (come Regressione Logistica, Naive Bayes o Support Vector Machines) su un dataset gi\u00e0 etichettato (es. recensioni che sappiamo essere positive o negative). \u00c8 pi\u00f9 preciso, ma richiede dati di addestramento<\/li>\n\n\n\n
- TF-IDF (Term Frequency – Inverse Document Frequency)<\/strong>: Assegna pesi alle parole. Un peso alto significa che la parola \u00e8 importante in un documento specifico, ma non \u00e8 comune nell’intera collezione. Ottimo per evidenziare i termini chiave<\/li>\n\n\n\n
- Rimozione delle stop words<\/strong>: Eliminare le parole comuni che non aggiungono significato emotivo (es. ‘il’, ‘la’, ‘un’, ‘e’)<\/li>\n\n\n\n
- Negativo<\/strong>: Esprime insoddisfazione, disgusto, critica, ecc. (Es: “Il servizio \u00e8 stato lento e la qualit\u00e0 deludente”)<\/li>\n\n\n\n
- Lemmatizzazione\/Stemming<\/strong>: ridurre le parole alla loro forma base (es. correndo \u2192 correre)<\/li>\n\n\n\n