电子发烧友App
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。
责任编辑：ct
工商网监
评论