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

基于神经语言模型的词向量表示技术能够从大规模的未标注文本数据集中自动学习词语的有效特征表 示，已经在许多自然语言处理任务及研究中取得重要进展．微博中的表情符号是微博情感分析最重要的特征之一， 已有大量的研究工作在探索有效地利用表情符号来提升微博情感分类效果．借助词向量表示技术，为常用表情符 号构建情感空间的特征表示矩阵ＲＥ；基于向量的语义合成计算原理，通过矩阵ＲＥ 与词向量的乘积运算完成词义 到情感空间的映射；接着输入到一个ＭＣＮＮ（Ｍｕｌｔｉ－ｃｈａｎｎｅｌ　Ｃｏｎｖｏｌｕｔｉｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ）模型，学习一个微博的情 感分类器．整个模型称为ＥＭＣＮＮ（Ｅｍｏｔｉｏｎ－ｓｅｍａｎｔｉｃｓ　ｅｎｈａｎｃｅｄ　ＭＣＮＮ），将基于表情符号的情感空间映射与深度 学习模型ＭＣＮＮ结合，有效增强了ＭＣＮＮ捕捉情感语义的能力．ＥＭＣＮＮ模型在ＮＬＰＣＣ微博情感评测数据集上 的多个情感分类实验中取得最佳分类性能，并在所有性能指标上超过目前已知文献中的最好分类效果．在取得以 上分类性能提升的同时，ＥＭＣＮＮ相对ＭＣＮＮ的训练耗时在主客观分类时减少了３６．１５％，在情感７分类时减少 了３３．８２％．

中文 八分类 贝叶斯 训练文件为ysr.py 可以生成两个模型并保存 测试文件为test.ipynb 偷个懒在notebook上写的 代码很好懂，写的也很简单，随便拿去改~