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:
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:
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:
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。
根据国家《 关于防范代币发行融资风险的公告 》,大家应警惕代币发行融资与交易的风险隐患。
本文来自 LIANYI 转载,不代表链一财经立场,转载请联系原作者。