内含测评数据，评测数据，样本数据以及原始未标注数据。

基于卷积神经网络的微博情感倾向性分析

自然语言处理-用于微博情感分析的一种情感语义增强的深度学习模型

微博情感可视化系统，杜贺，於志文，为了研究微博用户表达情感的特性，从个人化的情感表达和对社会性事件的态度反映两类文本出发，分别对个人情感变化以及热点事件中

用于微博情感分析的可视化模型研究，钱鹰，叶云智，随着社交网络的飞速发展，以新浪微博为首的社交媒体受到越来越多用户的青睐。通过对大量微博数据进行处理和情感分析，以一图胜千

情感矿工 微博（中文）情感分析与可视化 分析 分词和预处理 （基于HMM的监督学习）用于中文分词和标记 删除停用词 朴素贝叶斯分类器用于提取语音的有用部分以进行情感分类 特征提取 LDA模型将每个文档转换为概率向量 吉布斯抽样解决模型 回归模型 支持情绪极性和程度的SVR（支持向量回归） 网格搜索参数选择 出版物 李迪等。 “微博数据的情感分析。” 2014年，计算，通信和IT应用会议（ComComAp）IEEE。 IEEE，2014年。 可视化 主题分析 给定一个主题（关键字），返回所有相关的tweet及其情感，以彩色气泡表示。 气泡的颜色表示鸣叫的情感极性，而大小表示鸣叫的程度。 折线图中还显示了统计信息。 用户分析 给定用户，返回用户在特定时间发布的推文的计数和情感。 折线图和条形图用于显示结果。

COAE2014微博文本倾向性分析评测数据集

中文、微博、情感分析、SVM模型实现、DNN模型实现。微博评论数据集7962条，其中包含积极和消极情感倾向。主要做法如下： 实现语言：python、tensorflow==1.12、keras==2.2.4 一是基于传统文本特征表示的稀疏性，结合当前成熟技术，设计并实现了基于Word2vec的词向量训练方法，该方法可以将词表示为具有语义关系的特征向量形式，方便模型的使用。 二是采用自然语言处理常用技术完成对文本的预处理操作，既是完成了数据的预处理过程。 三是研究并实现了SVM和DNN两个最具代表性的模型在中文情感分析领的应用，完成了大数据的数据挖掘过程。并在已有的数据集上进行了实验，由具体实验结果我们发现SVM神经网络模型取得了78.03%的F值，较DNN(88%)方法低了9%，但是其训练速度较快。

使用用户交互关系的微博情感取向检测

微博情感分析和爬虫 微博是中国最具影响力的社交网站之一，拥有大量的中国用户。 它的功能类似于Twitter，当我爬网时，我什至发现微博程序员也使用了Twitter的一些变量名。 因此，如果您不懂中文，则可以查看此存储库的模型设计，而无需检查已爬网的内容（推文，推文主题等） 。 进行情感分析可以将用户分类为各种类别，并将相应的广告推送给他们。 我选择进行的情绪分析是将用户分为真实用户和机器人。 根据有关微博机器人检测的大多数论文，他们使用的方法是通过对用户的各种指标（关注度，粉丝数，平均推文时间等）进行逻辑回归对用户进行分类。 我认为这种方法的准确性不高，并且对于不同的测试集不稳定。 此类任务需要NLP模型的帮助，因为bot和真实人之间的最大区别是他们编写推文的行为和习惯。 请看一下这些colab笔记本： 以及 模型输入输出的结构 Input │── User information me