Googleの感情分析APIで遊んでみた

はじめに

こんにちは、GMOアドマーケティング TAXEL開発部のy-otakiです。
今回は、Googleさんから提供されている Cloud Natural Language APIを試してみようと思います！

概要

Cloud Natural Language APIを用いてテキストの感情類推を行う。
小説や単語の感情類推をテストしてみたうえで、業務に応用できないか検討を行う。
導入方法については簡易的な説明のみに留める。

実際に動作させてみよう

こちらを参考にGoogleColaboratoryを使ってテストを行なっていきます。
APIキーの取得方法は調べれば山ほど出てきますので、ここでは省略させていただきますね。

import requests

API_KEY = "あなたのAPIキーをここに入力してください。"
END_POINT = "https://language.googleapis.com"
URL = f"https://language.googleapis.com/v1/documents:analyzeSentiment?key={API_KEY}"

analyzeText = "メロスは激怒した"

headers = {'Content-Type': 'application/json'}
body = {
    'document': {
        'type': 'PLAIN_TEXT',
        'language': 'JA',
        'content': analyzeText
    }
}

res = requests.post(URL, headers=headers, json=body)

res.json()

import requests

API_KEY = "あなたのAPIキーをここに入力してください。"

END_POINT = "https://language.googleapis.com"

URL = f"https://language.googleapis.com/v1/documents:analyzeSentiment?key={API_KEY}"

analyzeText = "メロスは激怒した"

headers = {'Content-Type': 'application/json'}

body = {

'document': {

'type': 'PLAIN_TEXT',

'language': 'JA',

'content': analyzeText

}

res = requests.post(URL, headers=headers, json=body)

res.json()

上記のコードを実行すると、テキスト(“メロスは激怒した”)を解析した結果が下記のように出力されるかと思います。

{'documentSentiment': {'magnitude': 0.1, 'score': -0.1},
 'language': 'ja',
 'sentences': &#91;{'text': {'content': 'メロスは激怒した', 'beginOffset': -1},
   'sentiment': {'magnitude': 0.1, 'score': -0.1}}]}

{'documentSentiment': {'magnitude': 0.1, 'score': -0.1},

'language': 'ja',

'sentences': [{'text': {'content': 'メロスは激怒した', 'beginOffset': -1},

'sentiment': {'magnitude': 0.1, 'score': -0.1}}]}

Scoreは感情のポジティブ/ネガティブを-1から1までの値で表し、
Magnitudeは文章全体の感情の強度を表すとのことです。
(公式による各種値の解説はこちら)

scoreが-0.1であることから、 メロスは激怒した という文章は、微妙にネガティブな文章として認識されたようです。
激怒というワードが要因なのでしょうが、これだけではわかりませんね。
いくつか、極端な文章を放り込んで検証してみましょう。

※ 句点(。)があると分解されてしまうため、句点を使わないように書いています。多少読みづらい文章になっている点はご容赦ください。
※ 一文である限りscore=magnitudeになるため、magnitudeは省いています。

ID	文章	Score
1	ペットの死は虹の橋を渡ると表現されるが、私にとってのその日はどしゃぶりの雨だった。	-0.1
2	うだるような暑さが失せた小春日和、こんな日は歩くだけで笑みが浮かんでしまう。	0.2
3	「貧困と飢餓を無くせ」と叫ぶその舌で、彼らは食を選り好む。	0
4	ぼくがパパになったその日、病院の窓の向こうで、満開の桜が踊っていた。	0
5	戦争と病、不景気と自殺、なにもかもが最悪な一年だった。	-0.8
6	そんな日々にも幸せはある、今日ぼくは結婚し、最高の一年を始めるのだ。	0.9
7	貧困と飢餓	0
8	戦争と病	-0.1
9	最悪な一年	-0.9
10	最高の一年	0.9

文章に対するScoreの対応表

9や10で使っている”最高”や”最低”によって極端な結果が出たことから、文章を見て判別しているというよりも、単語を見て判別している可能性が高そうですが、それにしては7や8で有意な結果が出なかった点が気になりますね。”貧困”や”戦争”はネガティブに捉えられそうなものですし。
とはいえ、内部の仕様が公開されていない以上、確かめる方法もありませんし次の実験に移りましょう。

小説を分析してみよう

さて、次は長文を放り込んでみることにします！
著作権が消滅した作品を公開している青空文庫さんから、ハンス・クリスチャン・アンデルセン作(矢崎源九郎訳)、人魚の姫をまるごと解析してみることにします。人魚の姫は、人間に恋した人魚が声を対価に陸へと上がり、けれど言葉を伝えられないがために悲恋に終わる、有名な童話ですね。解析が正常に機能していれば、ネガティブな数値に傾きそうですが……？

'documentSentiment': {'magnitude': 193.5, 'score': 0}

1	'documentSentiment': {'magnitude': 193.5, 'score': 0}

結果はご覧のとおり、正負どちらにも傾かないニュートラルな結果に終わってしまいました。

'sentences': &#91;{'text': {'content': '海のおきへ、遠く遠く出ていきますと、水の色は、いちばん美しいヤグルマソウの花びらのようにまっさおになり、きれいにすきとおったガラスのように、すみきっています。',
    'beginOffset': -1},
   'sentiment': {'magnitude': 0.1, 'score': 0.1}},
  {'text': {'content': 'けれども、そのあたりは、とてもとても深いので、どんなに長いいかり綱づなをおろしても、底まで届くようなことはありません。',
    'beginOffset': -1},
   'sentiment': {'magnitude': 0.5, 'score': 0.5}},
  {'text': {'content': '海の底から、水の面おもてまで届くためには、教会の塔とうを、いくつもいくつも、積みかさねなければならないでしょう。',
    'beginOffset': -1},
   'sentiment': {'magnitude': 0.2, 'score': -0.2}},
(略)

'sentences': [{'text': {'content': '海のおきへ、遠く遠く出ていきますと、水の色は、いちばん美しいヤグルマソウの花びらのようにまっさおになり、きれいにすきとおったガラスのように、すみきっています。',

'beginOffset': -1},

'sentiment': {'magnitude': 0.1, 'score': 0.1}},

{'text': {'content': 'けれども、そのあたりは、とてもとても深いので、どんなに長いいかり綱づなをおろしても、底まで届くようなことはありません。',

'beginOffset': -1},

'sentiment': {'magnitude': 0.5, 'score': 0.5}},

{'text': {'content': '海の底から、水の面おもてまで届くためには、教会の塔とうを、いくつもいくつも、積みかさねなければならないでしょう。',

'beginOffset': -1},

'sentiment': {'magnitude': 0.2, 'score': -0.2}},

(略)

こちらは文章全体ではなく、句点ごとの出力になります。
このように小さなscoreが大量に加算された後に、句点数で除算されているのでしょうから、文章全体でのscoreは限りなく0に近づいてしまうのでしょう。となると、文章全体に対して感情類推を行うのは難しそうですね。もちろん、人魚の姫のような童話ではなく、極端なワードの多いエッセイなどを解析すれば、また別の結果が出るかもしれません。

また、”ポジティブなシーンでネガティブなワードを使っていないか”などを検証することは出来るでしょうから、小説執筆に対して利用する道もありそうです。面白いですね。

業務で利用する道はあるか考えてみよう

突然ですが、私が所属しているチームでは、TAXELの開発を行なっています。
TAXELは、いわゆるレコメンドエンジンの一種で、現在見ている記事に対してオススメの記事を提示するものです。そのレコメンド方法の一種として、Cloud Natural Language APIを用いればポジティブ/ネガティブレコメンドが出来るのではないかと考えました。
たとえば、明るい記事だけをレコメンドしたいメディアにおいては、scoreが正のものだけを表示し、逆にインパクトで勝負したいメディアであれば、スコアが負のものだけを表示する、などというレコメンドをイメージしています。

そんなわけで、記事っぽい名前のテキストをAPIで解析してみました！

※ これらのテキストは架空ものです。実在の人物/実際の出来事との関係は一切ありません。

ID	文章	Score
1	身元不明の水死体、ジェーン=ドゥ氏のものと判明、警察当局が事件との関連を調査	-0.1
2	GMO動物園においてパンダの赤ちゃんが誕生、子供たちの笑顔あふれる	0.8
3	芸能人A氏、不倫相手にカメラの前で強烈ビンタ！「やりすぎ」「骨折したかと思った」と視聴者戦慄	0.1
4	にんにくチューブと粉チーズでつくる新感覚パスタが超絶美味と話題に	0.7
5	某政治家による賄賂疑惑に住民たちに不満の声、「信じていたのに……」支援者語る	-0.3

文章に対するScoreの対応表

おぉ、割とそれっぽい結果が出てきました。
0.3あたりを閾値としてそれ以上のものだけを出すようにすれば、ポジティブレコメンドあたりは作れそうです。ネガティブな記事に興味がないユーザーに対してアプローチする手段になるかもしれません。
もちろん、実際に作成するだけの価値があるのかとなれば、いろいろと考えることはあるでしょうが……実現できる可能性は十分にありそうですね！

おわりに

今回はCloud Natural Language APIを使って楽しく遊んでみました。
算出方法には疑問が残るものの、実際に業務へと応用できる可能性のある、非常に面白いAPIですね！
Cloud Natural Language APIには感情類推だけではなく、構文解析やエンティティ分析の機能もあるようなので、今度はそちらにも触れてみたいと思っています。

それでは、最後まで閲覧していただき、ありがとうございました！