如何使用带有 Ruby 的斯坦福 CoreNLP java 库进行情感分析？

Question

我正在尝试使用 Ruby on Rails 4、Ruby 2.1.2 和 Mongoid ORM 在本地 MongoDB 实例中对 大量推文 进行情感分析。

我在 Mashape.com 上使用了免费提供的 https://loudelement-free-natural-language-processing-service.p.mashape.com API，但是它在快速推送了几百条推文后开始超时 - 显然它不适合通过数万条推文推文，这是可以理解的。

所以接下来我想我会使用这里推广的斯坦福 CoreNLP 库：http://nlp.stanford.edu/sentiment/code.html

默认用法，除了使用Java 1.8代码中的库外，似乎是使用XML输入输出文件。对于我的用例来说，这很烦人，因为我有数以万计的短推文，而不是长文本文件。我想像使用方法一样使用 CoreNLP 并执行 tweets.each 类型的循环。

我想一种方法是用所有推文构建一个 XML 文件，然后从 Java 进程中取出一个并解析它并将其放回数据库，但这对我来说感觉很陌生，而且会很多工作。

所以，我很高兴在上面链接的站点上找到一种从命令行运行 CoreNLP 并接受文本作为标准输入的方法，这样我就不必开始摆弄文件系统了而是将文本作为参数提供。但是，与使用 Loudelement 免费情感分析 API 相比，为每条推文单独启动 JVM 会增加巨大的开销。

现在，我编写的代码既丑陋又慢，但它可以工作。不过，我想知道是否有更好的方法从 Ruby 中运行 CoreNLP java 程序，而不必开始摆弄文件系统（创建临时文件并将它们作为参数提供）或编写 Java 代码？

这是我正在使用的代码：

def self.mass_analyze_w_corenlp # batch run the method in multiple Ruby processes
  todo = Tweet.all.exists(corenlp_sentiment: false).limit(5000).sort(follow_ratio: -1) # start with the "least spammy" tweets based on follow ratio
  counter = 0

  todo.each do |tweet|
    counter = counter+1

    fork {tweet.analyze_sentiment_w_corenlp} # run the analysis in a separate Ruby process

    if counter >= 5 # when five concurrent processes are running, wait until they finish to preserve memory
      Process.waitall
      counter = 0
    end

  end
end

def analyze_sentiment_w_corenlp # run the sentiment analysis for each tweet object
  text_to_be_analyzed = self.text.gsub("'"){" "}.gsub('"'){' '} # fetch the text field of DB item strip quotes that confuse the command line

  start = "echo '"
  finish = "' | java -cp 'vendor/corenlp/*' -mx250m edu.stanford.nlp.sentiment.SentimentPipeline -stdin"
  command_string = start+text_to_be_analyzed+finish # assemble the command for the command line usage below

  output =`#{command_string}` # run the CoreNLP on the command line, equivalent to system('...')
  to_db = output.gsub(/\s+/, "").downcase # since CoreNLP uses indentation, remove unnecessary whitespace
  # output is in the format of "neutral, "positive", "negative" and so on

  puts "Sentiment analysis successful, sentiment is: #{to_db} for tweet #{text_to_be_analyzed}."

  self.corenlp_sentiment = to_db # insert result as a field to the object
  self.save! # sentiment analysis done!
end

Answer 1

你至少可以通过使用IO.popen打开和与外部进程通信来避免丑陋和危险的命令行，例如：

input_string = "
foo
bar
baz
"

output_string =
    IO.popen("grep 'foo'", 'r+') do |pipe|
        pipe.write(input_string)
        pipe.close_write
        pipe.read
    end

puts "grep said #{output_string.strip} but not bar"

编辑：为避免在每个项目上重新加载 Java 程序的开销，您可以打开 todo.each 循环周围的管道，并像这样与进程通信

inputs = ['a', 'b', 'c', 'd']

IO.popen('cat', 'r+') do |pipe|

    inputs.each do |s|
        pipe.write(s + "\n")
        out = pipe.readline

        puts "cat said '#{out.strip}'"
    end
end

也就是说，如果 Java 程序支持这种行缓冲的“批处理”输入。但是，如果没有，修改它应该不会很困难。

Answer 2

正如@Qualtagh 在 cmets 中所建议的，我决定使用 JRuby。

我第一次尝试使用 Java 来使用 MongoDB 作为接口（直接从 MongoDB 读取，用 Java/CoreNLP 分析并写回 MongoDB），但是 MongoDB Java Driver 使用起来比我使用的 Mongoid ORM 更复杂Ruby，所以这就是我觉得 JRuby 更合适的原因。

为 Java 做一个 REST 服务需要我首先学习如何用 Java 做一个 REST 服务，这可能很容易，也可能不容易。我不想花时间弄清楚这一点。

所以我需要执行的代码是：

  def analyze_tweet_with_corenlp_jruby
    require 'java'
    require 'vendor/CoreNLPTest2.jar' # I made this Java JAR with IntelliJ IDEA that includes both CoreNLP and my initialization class

    analyzer = com.me.Analyzer.new # this is the Java class I made for running the CoreNLP analysis, it initializes the CoreNLP with the correct annotations etc.
    result = analyzer.analyzeTweet(self.text) # self.text is where the text-to-be-analyzed resides

    self.corenlp_sentiment = result # adds the result into this field in the MongoDB model
    self.save!
    return "#{result}: #{self.text}" # for debugging purposes
  end