電子發燒友App
比特幣創建于2009年，仍然是一個相當年輕的項目。但其市場價格非常不穩定。此外，比特幣對大眾效應更為敏感，比如像2017年底那樣大眾為占據的FOMO感覺一樣。在大眾的興奮情緒推動下，比特幣價格曾高達到2萬美元的歷史高點。
能夠衡量圍繞比特幣的這種類型的情緒，可以很好地表明未來幾個小時內等待比特幣價格的因素。一個好的解決方案是分析像Twitter這樣的社交網絡上圍繞比特幣的活動。在本文中，我將教您如何創建一個Java程序，從Twitter上檢索的tweets中分析關于比特幣的所有大眾情緒。
比特幣情緒分析器規范
您將學習開發的比特幣情緒分析器在執行過程中將執行以下操作：
1. 在Twitter上檢索包含關鍵字bitcoin的推文
2. 分析每條檢索到的推文，以及檢測與之相關的大眾情緒
3. 在Twitter上顯示以下5種比特幣情緒各自的百分比：非常消極，消極，中立，積極，非常積極
該程序將在每次執行后結束，由于Twitter是使用其免費的開發人員API設置的配額，將不會連續執行此分析。
創建Java項目
第一步是創建一個Java項目。我們將使用Maven作為依賴關系管理器。
在依賴性方面，我們將具有以下代碼庫：
1. Twitter4J是Twitter API的非官方Java客戶端
2. Stanford CoreNLP是一個用于自然語言處理的開源庫
Twitter4J將允許我們以一種簡單的方式從Twitter中檢索tweets的推文樣本。Stanford CoreNLP代碼庫將使我們能夠檢測與每個相關推文相關的情緒。
這為我們的項目提供了以下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》
創建一個Twitter應用程序
使用Twitter API需要創建開發者帳戶。它是免費的，但會有一定調用次數和配額限制使用。作為我們用于展示目的的項目的一部分，這是完全足夠的。使用Twitter API所需的開發者帳戶的創建在此處完成：
開發者地址https://developer.twitter.com/
創建此帳戶后，您將轉到下一頁：
您將需要創建一個新的應用程序。我選擇將我的應用程序命名為“ Bitcoin_Sentiment_Analyzer”。在創建此應用程序期間，您將必須填寫有關它的一定數量的信息。最后，您將到達“Keys and tokens””屏幕，在該屏幕上，您將找到使您在調用Twitter API來檢索與比特幣相關的推文時正確進行身份驗證的信息：
檢索推文
現在已經創建了與比特幣情緒分析器關聯的Twitter應用程序，我們將能夠繼續檢索程序中的推文。為此，我們將依靠Twitter4J代碼庫。
Twitter4J具有TwitterFactory和Twitter類作為其入口點。
TwitterFactory類將包含與Twitter API的連接信息的Configuration對象實例作為輸入：
· 使用者API公鑰
· 使用者API密鑰
· 訪問Token
· 訪問Token密鑰
然后，我將通過調用其getInstance方法從TwitterFactory檢索Twitter對象實例的實例。有了這個對象，我們將能夠在Twitter API上啟動查詢。我們將使用其搜索方法來檢索符合特定條件的推文。
在Query對象中對查詢建模，該對象以與您要通過Twitter API執行的查詢相對應的字符串作為輸入。對于比特幣情緒分析器，我想檢索包含關鍵字bitcoin的推文，而不是轉發，鏈接，答案或圖片。
該查詢用以下字符串表示：
bitcoin -filter:retweets -filter:links -filter:replies -filter:images
Query類的setCount方法允許您定義要檢索的結果數。如果使用免費的開發人員API，則此數量限制為100個結果。
最后，仍然需要通過從Twitter對象實例的search方法傳遞該查詢來執行此查詢 返回一個QueryResult對象，將其保留在其上以調用getTweets方法以檢索Status對象的列表。每個Status對象代表一條推文。最終可以通過后一個對象的getText方法訪問其文本內容。
所有這些提供了以下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;
}
分析一條推文的情緒分析
下一步是分析一條推文的情緒分析。Google，Amazon或Microsoft提供解決方案。但是也有非常好的免費和開源解決方案，例如Stanford CoreNLP代碼庫。
Stanford CoreNLP代碼庫完全滿足我們的需求，這是我們的比特幣情緒分析器程序的一部分。
StanfordCoreNLP類是API的入口點。我們通過傳遞屬性的實例作為實例來實例化此對象，在其中定義了將在文本分析期間使用的不同注釋器。
然后，我調用StanfordCoreNLP對象的處理方法以開始文本分析。作為結果回報，我得到一個Annotation對象，將在該對象上迭代以獲得關聯的CoreMap對象。對于這些對象中的每一個，我都檢索一個Tree對象，該對象是通過將SentimentAnnotatedTree類作為輸入調用get方法而獲得的。
最后，仍然需要通過傳遞Tree的此實例作為輸入來調用RNNCoreAnnotations類的靜態方法getPredictedClass。返回值對應于此分析文本的總體情緒。文本的總體情感是通過保留文本最長部分的情感來計算的。
為作為輸入傳遞的文本計算的情感表示為一個整數，其值的范圍可以從0到4（含0和4）。
為了便于以后對文本的情緒進行操作，我定義了TypeSentiment枚舉，將每個值與以該枚舉的形式定義的關聯感覺相關聯。
所有這些都給出以下代碼：
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）;
}
匯編程序的不同部分
現在我們可以檢索與給定關鍵字相對應的推文。然后我們能夠分析其每個推文，以獲得與之相關的推文情緒。剩下的就是將所有這些匯編到BitcoinSentimentAnalyzer類的主要方法中。
首先我定義一個HashMap，它將存儲在分析的tweets中發現每個情感的次數。然后使用關鍵字“ bitcoin”作為輸入來調用searchTweets方法。
下一步是迭代由searchTweets方法返回的列表中包含的Status對象。對于每條推文，我都檢索關聯的文本并調用analysisSentiment方法以TypeSentiment實例的形式計算關聯的情感。
每次返回情感時，我們都會在HashMap中增加計數器。在分析了所有檢索到的推文之后，我們可以顯示關于比特幣的每種觀點的百分比，以在Twitter上給出當前觀點的分布。
以下是完整的代碼：
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 + “ %”）;
}
}
}
運行比特幣情緒分析器
本文的最佳之處在于，我們將把剛剛構建的比特幣情緒分析器程序付諸實踐。執行該程序后，經過幾秒鐘的分析，我得到以下結果：
在Twitter API返回的推文示例中，人們對比特幣的普遍看法如下：
1. 2%非常負面的推文
2. 72%的負面推文
3. 12%的中立推文
4. 14%的正面推文
我們的比特幣情緒分析清楚地表明，目前Twitter上的總體情緒對比特幣相當負面。
更進一步
我們的比特幣情緒分析儀功能完善，為進一步分析比特幣情緒提供了良好的基礎。因此，您可以連續執行此分析，以使其與可通過Coindesk的比特幣價格指數API檢索的比特幣價格相關。
因此，如果Twitter上有關比特幣的普遍情緒與價格的變化直接相關，則可以由此推斷。該程序可以幫助您改善對比特幣未來價格的預測。對于此類程序，您將需要切換到Twitter的付費開發人員API，以實時獲取有關比特幣的推文。
責任編輯：ct
工商網監
評論