原理我就不講了，請移步下面這篇論文，包括情感詞典的構建（各位讀者可以根據自己的需求稍作簡化），以及打分策略（程式對原論文稍有改動）。

本文采用的方法如下：

首先對單條微博進行文字預處理，並以標點符號為分割標誌，將單條微博分割為n個句子，提取每個句子中的情感詞 。以下兩步的處理均以分句為處理單位。

第二步在情感詞表中尋找情感詞，以每個情感詞為基準，向前依次尋找程度副詞、否定詞，並作相應分值計算。隨後對分句中每個情感詞的得分作求和運算。

第三步判斷該句是否為感嘆句，是否為反問句，以及是否存在表情符號。如果是，則分句在原有分值的基礎上加上或減去對應的權值。

最後對該條微博的所有分句的分值進行累加，獲得該條微博的最終得分。

程式碼如下：

首先檔案結構圖如下：

其中，degree_dict為程度詞典，其中每個檔案為不同的權值。
emotion_dict為情感詞典，包括了積極情感詞和消極情感詞以及停用詞。

檔案一：文字預處理 textprocess.py
在裡面封裝了一些文字預處理的函式，方便呼叫。

# -*- coding: utf-8 -*-
__author__ = 'Bai Chenjia'

import jieba
import jieba.posseg as pseg
print "載入使用者詞典..."
import sys
reload(sys)
sys.setdefaultencoding("utf-8"
 
)
jieba.load_userdict('C://Python27/Lib/site-packages/jieba/user_dict/pos_dict.txt')
jieba.load_userdict('C://Python27/Lib/site-packages/jieba/user_dict/neg_dict.txt')

# 分詞，返回List
def segmentation(sentence):
    seg_list = jieba.cut(sentence)
    seg_result = []
    for w in seg_list:
        seg_result.append(w)
    #print seg_result[:]
 

    return seg_result

# 分詞，詞性標註，詞和詞性構成一個元組
def postagger(sentence):
    pos_data = pseg.cut(sentence)
    pos_list = []
    for w in pos_data:
        pos_list.append((w.word, w.flag))
    #print pos_list[:]
    return pos_list

# 句子切分
def cut_sentence(words):
    words = words.decode('utf8')
    start = 0
    i = 0
    token = 'meaningless'
    sents = []
    punt_list = ',.!?;~，。！？；～… '.decode('utf8')
    #print "punc_list", punt_list
    for word in words:
        #print "word", word
        if word not in punt_list:   # 如果不是標點符號
            #print "word1", word
            i += 1
            token = list(words[start:i+2]).pop()
            #print "token:", token
        elif word in punt_list and token in punt_list:  # 處理省略號
            #print "word2", word
            i += 1
            token = list(words[start:i+2]).pop()
            #print "token:", token
        else:
            #print "word3", word
            sents.append(words[start:i+1])   # 斷句
            start = i + 1
            i += 1
    if start < len(words):   # 處理最後的部分
        sents.append(words[start:])
    return sents

def read_lines(filename):
    fp = open(filename, 'r')
    lines = []
    for line in fp.readlines():
        line = line.strip()
        line = line.decode("utf-8")
        lines.append(line)
    fp.close()
    return lines

# 去除停用詞
def del_stopwords(seg_sent):
    stopwords = read_lines("f://Sentiment_dict/emotion_dict/stop_words.txt")  # 讀取停用詞表
    new_sent = []   # 去除停用詞後的句子
    for word in seg_sent:
        if word in stopwords:
            continue
        else:
            new_sent.append(word)
    return new_sent

# 獲取六種權值的詞，根據要求返回list，這個函式是為了配合Django的views下的函式使用
def read_quanzhi(request):
    result_dict = []
    if request == "one":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/most.txt")
    elif request == "two":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/very.txt")
    elif request == "three":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/more.txt")
    elif request == "four":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/ish.txt")
    elif request == "five":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/insufficiently.txt")
    elif request == "six":
        result_dict = read_lines("f://emotion/mysite/Sentiment_dict/degree_dict/inverse.txt")
    else:
        pass
    return result_dict



if __name__ == '__main__':
    test_sentence1 = "這款手機大小合適。"
    test_sentence2 = "這款手機大小合適，配置也還可以，很好用，只是螢幕有點小。。。總之，戴妃+是一款值得購買的智慧手機。"
    test_sentence3 = "這手機的畫面挺好，操作也比較流暢。不過拍照真的太爛了！系統也不好。"
    """
    seg_result = segmentation(test_sentence3)  # 分詞，輸入一個句子，返回一個list
    for w in seg_result:
        print w,
    print '\n'
    """
    """
    new_seg_result = del_stopwords(seg_result)  # 去除停用詞
    for w in new_seg_result:
        print w,
    """
    #postagger(test_sentence1)  # 分詞，詞性標註，詞和詞性構成一個元組
    #cut_sentence(test_sentence2)    # 句子切分
    #lines = read_lines("f://Sentiment_dict/emotion_dict/posdict.txt")
    #print lines[:]

檔案二：情感打分 dict_main.py
其中待處理資料放在chinese_weibo.txt中，讀者可以自行更改檔案目錄，該檔案中的資料格式如下圖：

即用每一行代表一條語句，我們對每條語句進行情感分析，進行打分

# -*- coding: utf-8 -*-
__author__ = 'Bai Chenjia'

import text_process as tp
import numpy as np

# 1.讀取情感詞典和待處理檔案
# 情感詞典
print "reading..."
posdict = tp.read_lines("f://emotion/mysite/Sentiment_dict/emotion_dict/pos_all_dict.txt")
negdict = tp.read_lines("f://emotion/mysite/Sentiment_dict/emotion_dict/neg_all_dict.txt")
# 程度副詞詞典
mostdict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/most.txt')   # 權值為2
verydict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/very.txt')   # 權值為1.5
moredict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/more.txt')   # 權值為1.25
ishdict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/ish.txt')   # 權值為0.5
insufficientdict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/insufficiently.txt')  # 權值為0.25
inversedict = tp.read_lines('f://emotion/mysite/Sentiment_dict/degree_dict/inverse.txt')  # 權值為-1

# 情感級別
emotion_level1 = "悲傷。在這個級別的人過的是八輩子都懊喪和消沉的生活。這種生活充滿了對過去的懊悔、自責和悲慟。在悲傷中的人，看這個世界都是灰黑色的。"
emotion_level2 = "憤怒。如果有人能跳出冷漠和內疚的怪圈，並擺脫恐懼的控制，他就開始有慾望了，而慾望則帶來挫折感，接著引發憤怒。憤怒常常表現為怨恨和復仇心裡，它是易變且危險的。憤怒來自未能滿足的慾望，來自比之更低的能量級。挫敗感來自於放大了慾望的重要性。憤怒很容易就導致憎恨，這會逐漸侵蝕一個人的心靈。"
emotion_level3 = "淡定。到達這個能級的能量都變得很活躍了。淡定的能級則是靈活和無分別性的看待現實中的問題。到來這個能級，意味著對結果的超然，一個人不會再經驗挫敗和恐懼。這是一個有安全感的能級。到來這個能級的人們，都是很容易與之相處的，而且讓人感到溫馨可靠,這樣的人總是鎮定從容。他們不會去強迫別人做什麼。"
emotion_level4 = "平和。他感覺到所有的一切都生機勃勃並光芒四射，雖然在其他人眼裡這個世界還是老樣子，但是在這人眼裡世界卻是一個。所以頭腦保持長久的沉默，不再分析判斷。觀察者和被觀察者成為同一個人，觀照者消融在觀照中，成為觀照本身。"
emotion_level5 = "喜悅。當愛變得越來越無限的時候，它開始發展成為內在的喜悅。這是在每一個當下，從內在而非外在升起的喜悅。這個能級的人的特點是，他們具有巨大的耐性，以及對一再顯現的困境具有持久的樂觀態度，以及慈悲。同時發生著。在他們開來是稀鬆平常的作為，卻會被平常人當成是奇蹟來看待。"
# 情感波動級別
emotion_level6 = "情感波動很小，個人情感是不易改變的、經得起考驗的。能夠理性的看待周圍的人和事。"
emotion_level7 = "情感波動較大，周圍的喜悅或者悲傷都能輕易的感染他，他對周圍的事物有敏感的認知。"


# 2.程度副詞處理，根據程度副詞的種類不同乘以不同的權值
def match(word, sentiment_value):
    if word in mostdict:
        sentiment_value *= 2.0
    elif word in verydict:
        sentiment_value *= 1.75
    elif word in moredict:
        sentiment_value *= 1.5
    elif word in ishdict:
        sentiment_value *= 1.2
    elif word in insufficientdict:
        sentiment_value *= 0.5
    elif word in inversedict:
        #print "inversedict", word
        sentiment_value *= -1
    return sentiment_value


# 3.情感得分的最後處理，防止出現負數
# Example: [5, -2] →  [7, 0]; [-4, 8] →  [0, 12]
def transform_to_positive_num(poscount, negcount):
    pos_count = 0
    neg_count = 0
    if poscount < 0 and negcount >= 0:
        neg_count += negcount - poscount
        pos_count = 0
    elif negcount < 0 and poscount >= 0:
        pos_count = poscount - negcount
        neg_count = 0
    elif poscount < 0 and negcount < 0:
        neg_count = -poscount
        pos_count = -negcount
    else:
        pos_count = poscount
        neg_count = negcount
    return (pos_count, neg_count)


# 求單條微博語句的情感傾向總得分
def single_review_sentiment_score(weibo_sent):
    single_review_senti_score = []
    cuted_review = tp.cut_sentence(weibo_sent)  # 句子切分，單獨對每個句子進行分析

    for sent in cuted_review:
        seg_sent = tp.segmentation(sent)   # 分詞
        seg_sent = tp.del_stopwords(seg_sent)[:]
        #for w in seg_sent:
        #   print w,
        i = 0    # 記錄掃描到的詞的位置
        s = 0    # 記錄情感詞的位置
        poscount = 0    # 記錄該分句中的積極情感得分
        negcount = 0    # 記錄該分句中的消極情感得分

        for word in seg_sent:   # 逐詞分析
            #print word
            if word in posdict:  # 如果是積極情感詞
                #print "posword:", word
                poscount += 1   # 積極得分+1
                for w in seg_sent[s:i]:
                    poscount = match(w, poscount)
                #print "poscount:", poscount
                s = i + 1  # 記錄情感詞的位置變化

            elif word in negdict:  # 如果是消極情感詞
                #print "negword:", word
                negcount += 1
                for w in seg_sent[s:i]:
                    negcount = match(w, negcount)
                #print "negcount:", negcount
                s = i + 1

            # 如果是感嘆號，表示已經到本句句尾
            elif word == "！".decode("utf-8") or word == "!".decode('utf-8'):
                for w2 in seg_sent[::-1]:  # 倒序掃描感嘆號前的情感詞，發現後權值+2，然後退出迴圈
                    if w2 in posdict:
                        poscount += 2
                        break
                    elif w2 in negdict:
                        negcount += 2
                        break
            i += 1
        #print "poscount,negcount", poscount, negcount
        single_review_senti_score.append(transform_to_positive_num(poscount, negcount))   # 對得分做最後處理
    pos_result, neg_result = 0, 0   # 分別記錄積極情感總得分和消極情感總得分
    for res1, res2 in single_review_senti_score:  # 每個分句迴圈累加
        pos_result += res1
        neg_result += res2
    #print pos_result, neg_result
    result = pos_result - neg_result   # 該條微博情感的最終得分
    result = round(result, 1)
    return result

"""
# 測試
weibo_sent = "這手機的畫面挺好，操作也比較流暢。不過拍照真的太爛了！系統也不好。"
score = single_review_sentiment_score(weibo_sent)
print score
"""

# 分析test_data.txt 中的所有微博，返回一個列表，列表中元素為（分值，微博）元組
def run_score():
    fp_test = open('f://emotion/mysite/Weibo_crawler/chinese_weibo.txt', 'r')   # 待處理資料
    contents = []
    for content in fp_test.readlines():
        content = content.strip()
        content = content.decode("utf-8")
        contents.append(content)
    fp_test.close()
    results = []
    for content in contents:
        score = single_review_sentiment_score(content)  # 對每條微博呼叫函式求得打分
        results.append((score, content))   # 形成（分數，微博）元組
    return results

# 將（分值，句子）元組按行寫入結果檔案test_result.txt中
def write_results(results):
    fp_result = open('test_result.txt', 'w')
    for result in results:
        fp_result.write(str(result[0]))
        fp_result.write(' ')
        fp_result.write(result[1])
        fp_result.write('\n')
    fp_result.close()

# 求取測試檔案中的正負極性的微博比，正負極性分值的平均值比，正負分數分別的方差
def handel_result(results):
    # 正極性微博數量，負極性微博數量，中性微博數量，正負極性比值
    pos_number, neg_number, mid_number, number_ratio = 0, 0, 0, 0
    # 正極性平均得分，負極性平均得分， 比值
    pos_mean, neg_mean, mean_ratio = 0, 0, 0
    # 正極性得分方差，負極性得分方差
    pos_variance, neg_variance, var_ratio = 0, 0, 0
    pos_list, neg_list, middle_list, total_list = [], [], [], []
    for result in results:
        total_list.append(result[0])
        if result[0] > 0:
            pos_list.append(result[0])   # 正極性分值列表
        elif result[0] < 0:
            neg_list.append(result[0])   # 負極性分值列表
        else:
            middle_list.append(result[0])
    #################################各種極性微博數量統計
    pos_number = len(pos_list)
    neg_number = len(neg_list)
    mid_number = len(middle_list)
    total_number = pos_number + neg_number + mid_number
    number_ratio = pos_number/neg_number
    pos_number_ratio = round(float(pos_number)/float(total_number), 2)
    neg_number_ratio = round(float(neg_number)/float(total_number), 2)
    mid_number_ratio = round(float(mid_number)/float(total_number), 2)
    text_pos_number = "積極微博條數為 " + str(pos_number) + " 條，佔全部微博比例的 %" + str(pos_number_ratio*100)
    text_neg_number = "消極微博條數為 " + str(neg_number) + " 條，佔全部微博比例的 %" + str(neg_number_ratio*100)
    text_mid_number = "中性情感微博條數為 " + str(mid_number) + " 條，佔全部微博比例的 %" + str(mid_number_ratio*100)
    ##################################正負極性平均得分統計
    pos_array = np.array(pos_list)
    neg_array = np.array(neg_list)    # 使用numpy匯入，便於計算
    total_array = np.array(total_list)
    pos_mean = pos_array.mean()
    neg_mean = neg_array.mean()
    total_mean = total_array.mean()   # 求單個列表的平均值
    mean_ratio = pos_mean/neg_mean
    if pos_mean <= 6:                 # 賦予不同的情感等級
        text_pos_mean = emotion_level4
    else:
        text_pos_mean = emotion_level5
    if neg_mean >= -6:
        text_neg_mean = emotion_level2
    else:
        text_neg_mean = emotion_level1
    if total_mean <= 6 and total_mean >= -6:
        text_total_mean = emotion_level3
    elif total_mean > 6:
        text_total_mean = emotion_level4
    else:
        text_total_mean = emotion_level2
    ##################################正負進行方差計算
    pos_variance = pos_array.var(axis=0)
    neg_variance = neg_array.var(axis=0)
    total_variance = total_array.var(axis=0)
    var_ratio = pos_variance/neg_variance
    #print "pos_variance:", pos_variance, "neg_variance:", neg_variance, "var_ration:", var_ratio
    if total_variance > 10:            # 賦予不同的情感波動級別
        text_total_var = emotion_level7
    else:
        text_total_var = emotion_level6
    ################################構成字典返回
    result_dict = {}
    result_dict['pos_number'] = pos_number   # 正向微博數
    result_dict['neg_number'] = neg_number   # 負向微博數
    result_dict['mid_number'] = mid_number   # 中性微博數
    result_dict['number_ratio'] = round(number_ratio, 1)  # 正負微博數之比，保留一位小數四捨五入
    result_dict['pos_mean'] = round(pos_mean, 1)  # 積極情感平均分
    result_dict['neg_mean'] = round(neg_mean, 1)  # 消極情感平均分
    result_dict['total_mean'] = round(total_mean, 1) # 總的情感平均得分
    result_dict['mean_ratio'] = abs(round(mean_ratio, 1))  # 積極情感平均分/消極情感平均分
    result_dict['pos_variance'] = round(pos_variance, 1)  # 積極得分方差
    result_dict['neg_variance'] = round(neg_variance, 1)  # 消極得分方差
    result_dict['total_variance'] = round(total_variance, 1) # 總的情感得分方差
    result_dict['var_ratio'] = round(var_ratio, 1)  # 積極得分方差/消極得分方差

    result_dict['text_pos_number'] = text_pos_number   # 各種情感評價
    result_dict['text_neg_number'] = text_neg_number
    result_dict['text_mid_number'] = text_mid_number
    result_dict['text_pos_mean'] = text_pos_mean
    result_dict['text_neg_mean'] = text_neg_mean
    result_dict['text_total_mean'] = text_total_mean
    result_dict['text_total_var'] = text_total_var
    """
    for key in result_dict.keys():
        print 'key = %s , value = %s ' % (key, result_dict[key])
    """
    return result_dict


if __name__ == '__main__':
    results = run_score()     # 計算每句話的極性得分，返回list，元素是（得分，微博）
    write_results(results)    # 將每條微博的極性得分都寫入檔案
    result_dict = handel_result(results)   # 計算結果的各種引數，返回字典

打分結果如圖，即前面是情感得分，後面是語句：

如果需要整個程式包的話（包括圖中所給出的目錄的全部內容），就請給博主貢獻一點積分了，請猛擊這裡下載