python实现了情感分析的完整项目，包含训练样本，训练好的模型，完整代码。python实现了情感分析的完整项目，包含训练样本，训练好的模型，完整代码。python实现了情感分析的完整项目，包含训练样本，训练好的模型，完整代码。python实现了情感分析的完整项目，包含训练样本，训练好的模型，完整代码。python实现了情感分析的完整项目，包含训练样本，训练好的模型，完整代码。

word2vec讲义

基于法律裁判文书的事件撤除及其应用 简介 针对交通肇事案件的裁判文书进行事件要素移除，并在此基础上加入决策结果预测，案件相似度匹配等应用场景。 数据来源： 分词：基于pkuseg 词性标注：基于哈工大LTP / pkuseg 命名实体识别：基于BiLSTM-CRF 应用部分：包括判决结果的预测，案件相似度的比较等

新闻分类 基于那里类别的新闻分类是一个项目，其中新闻是通过标题作为输入的类别，并且机器将预测它必须属于哪个类别。在该项目中，使用了从基本（Count，Tfi df等）不同的矢量化技术来推进（手套，word2vec等）技术。此外，它还使用了大约所有的机器学习算法和神经网络技术

自己写的Word2vec工具包，参数可以在文件内部自行修改

深度学习实战篇：采用LSTM网络进行影评情感分析，涉及到词向量模型。训练样本数据齐全。代码有图有分析，便于初学者学些。

自己用来训练word2vec的，已提取文本，做了分词处理，过滤了大部分的特殊字符。 共包含3273626个段落的文本（一个段落包含了多个语句）。 处理后的语料有1.1G，由于文件较大，提供百度网盘下载地址。

情感分析word2vec-LSTM 使用PyTorch对流行电影评论数据集进行情感分析word2vec + LSTM 请注意：由于损失很大，我将更新此仓库。 数据集非常混乱。 当我有足够的时间时，我将再次更新此笔迹。 数据集：Go Kaggle 1.600.000 Twitter数据集

暂无描述

word2vec+lstm情感分析（三分类）+使用说明 使用方法： 1、修改 ../data/neg(消极）../data/pos(积极）../data/neutral(中立）训练数据 及 ../data/sum(测试数据）（本数据为我上网download数据库，是不同情感方向的评价数据。） 2、运行 ../lstm/lstm_train 并修改 参数列表 （建议只修改代码30-33行）及 （119行代码）x_train, x_test, y_train, y_test = train_test_split(combined, y, test_size=0.2) 此处0.2表示 train_data/test_data=1/5;（修改代码是为了提高lstm模型 accurancy 及 降低loss) 3、运行 ../lstm/lstm_test（该结果将存储在../result/result。xlsx 即为所求） 该模型优点：准确率较高； 缺点：损失函数较高；耗时长;处理大量数据时占用的内存较大