是一个关于小米产品的评论的情感分类代码，词向量构建使用word2vec,使用svm,logistic回归，神经网络，knn，决策树等不同方法进行分类

数据概览：10 个类别，共 6 万多条评论数据，正、负向评论各约 3 万条， 包括书籍、平板、手机、水果、洗发水、热水器、蒙牛、衣服、计算机、酒店

详细介绍了如何用R语言进行爬虫，压缩包中有各种注意事项，包含R语言代码

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

在30W的宾馆评论中，采用TF-IDF、CHI、SO-PMI等方法结合生成的面向评估评论领域的情感词典，示例如下： 周到 0.948878175759748 舒适 0.874236510936017 安静 0.870575044228372 热情 0.816626757038265 漂亮 0.806685156128692 不错 0.793740488482497 整洁 0.791215975691775 温馨 0.760592322762457 美 0.748611137335654 方便 0.731102822326942

“AI Challenger 全球AI挑战赛”是面向全球人工智能人才的开源数据集和编程竞赛平台，致力于满足AI人才成长对高质量丰富数据集的需求，推动AI在科研与商业领域结合来解决真实世界的问题。AI Challenger以服务、培养AI人才为使命，打造良性可持续的AI科研与应用新生态。2017年首届大赛发布了千万量级的数据集、一系列兼具学术与产业意义的竞赛、超过200万人民币的奖金，吸引了来自全球65个国家的8892支团队参赛，成为目前国内规模最大的科研数据集平台、以及最大的非商业化竞赛平台。AI Challenger 2018带来十余个全新的数据集与竞赛，以及超过300万人民币的奖金，“用AI挑战真实世界的问题

http://blog.csdn.net/lingerlanlan/article/details/38418277 京东评论情感分类器（基于bag-of-words模型） 数据集

libsvm是台湾林智仁开发的支持向量机工具箱，非常有名。该资源中包含了其matlab最新版libsvm-mat-weights-3.0-1。作者利用此工具箱编写了一个多类识别的问题，对于svm的学习非常有帮助。该程序拥有良好界面，经过测试，可以放心使用。

方便使用的评论工具类，而且能监听到小键盘消失事件，能返回小键盘的高度，追踪评论位置。

经常在各大论坛或新闻板块详情页面下边看到评论功能，当然不单单是直接发表评论内容那么简单，可以对别人的评论进行回复，别人又可以对你的回复再次评论或回复，如此反复，理论上可以说是没有休止，从技术角度分析很容易想到运用无限级分类技术存储数据，运用递归获取评论层级结构数据，运用ajax实现评论页面交互，这里用thinkphp框架做个简单的demo练练手，为了简化流程这里第三级评论不再提供回复功能，当然只要在这个基础上稍作修改就可以实现无限回复功能，主要是view层样式修改较麻烦，需花些时间。