kaggle 电影评论文本情感分析（Bag of Words Meets Bags of Popcorn）数据集，和官方的一致。

目的–到目前为止，文献中用于研究在线评论内容的文本挖掘技术非常不同，因此对于愿意复制分析的学者和公司可能会造成混乱。 本文旨在提出和说明一个统一的结构化研究程序，以从在线评论中发现情感和心理上的品牌联想，目的是分析品牌定位和识别品牌细分。 设计/方法/方法-从化妆品的在线零售商那里收集了62496条在线评论，这些评论属于“腮红”产品类别的44个品牌。 基于词典的工具语言查询和字数统计（LIWC）用于进行文本挖掘分析。 总共选择了26个文本变量作为品牌定位和品牌细分分析的输入。 调查结果–我们说明了如何使用文本数据来发现情感和心理品牌联想。 在所研究的化妆品类别中，与积极情绪相关的词语最为常见。 此外，代表感知过程的词语（例如，视觉和感觉），与身体相关的词语以及反映时间和空间问题的词语也与产品类别相关。 基于品牌关联，本研究发现了该类别中的四个品牌集群。 实际意义–这项研究为市场营销从业人员（尤其是中小型公司的营销从业人员）提供了易于实施的程序，以发现在线评论的文字内容，以研究品牌定位和细分。 原创性/价值–这项研究是提供统一和结构化指南的先驱，该指南从在线评论的文本内容中发现情感和心理品牌联想，以研究品牌定位并确定品牌细分。

【项目实战】Python实现循环神经网络SimpleRNN、LSTM进行淘宝商品评论情感分析(含爬虫程序) 内容包括： 资料说明：包括爬虫程序+数据集+源代码+PDF文档说明。 资料内容包括： 1)项目背景； 2)数据采集； 3)数预处理； 4)探索性数据分析； 5)LSTM建模； 6)模型评估； 7)实际应用。

【项目实战】Python实现循环神经网络SimpleRNN、LSTM进行淘宝商品评论情感分析(含爬虫程序) 内容包括： 资料说明：包括爬虫程序+数据集+源代码+PDF文档说明。 资料内容包括： 1)项目背景； 2)数据采集； 3)数预处理； 4)探索性数据分析； 5)LSTM建模； 6)模型评估； 7)实际应用。

面向评论文本的特征聚类挖掘方法研究.pdf

使用keras-bert实现 谭松波 酒店评论 文本分类（情感分析）-附件资源

主要介绍了Python实现购物评论文本情感分析操作,结合实例形式分析了Python使用中文文本挖掘库snownlp操作中文文本进行感情分析的相关实现技巧与注意事项,需要的朋友可以参考下

电商评论文本情感分析在品牌认知中的研究.pdf

环境 python 3.6.12 pytorch 1.6.0 tqdm sklearn tensorboardX 中文数据集 ChineseNlpCorpus中属于情感/观点/评论倾向性分析的微博评论数据集weibo_senti_100k 该数据集包含119988条带情感标注的新浪微博评论数据，其中正向评论占59993条，负向评论占59995条 类别：negitive，positive 效果 模型 acc 备注 BiLSTM_Att 97.92％ BiLSTM + Attention TextRCNN 97.87％ BiLSTM +池化 FastText 97.65% bow+bigram+trigram 模型都在models目录下，超参定义和模型定义在同一文件中。 同时给出模型训练结果的下载链接

两表中的数据共包含应用数据10841行，评论数据64163行。 APP数据表包含列：软件名、软件类别、评分、评论数、软件大小、安装数、收费类型、价格、类型标签、最近更新日期、当前版本号、安卓版本号（系统最低要求）。 评论数据表包含列：软件名、评论内容、情感倾向、情感极性、情感主体性。