中科院的牛人写的程序.本系统的核心部分采用C++编码，界面采用VB开发平台。安装包是在VB6.0环境下使用VB自身的打包工具打包而成。安装后即可使用。

Twitter数据集20万条包括文本，时间，转推关系、回复关系，作者等一系列信息，Twitter的社交网络连接数据集，包含Twitter当中的用户转发关系。可以用于社交网络数据分析研究、异常检测、事件检测与演化模型分析、情感分析、链接预测，信息传播等方面的研究

包含微博爬虫、LDA主题分析和情感分析三个部分。 1.微博爬虫 实现微博评论爬取和微博用户信息爬取，一天大概十万条。 2.LDA主题分析 实现文档主题抽取，包括数据清洗及分词、主题数的确定（主题一致性和困惑度）和最优主题模型的选择（暴力搜索）。 3.情感分析 实现评论文本的情感值计算，准确率超过97%，处于0到1之间。

机器学习实践成果，研究的是电影评论及情感分析，内含完整的数据集和代码，可直接使用。

Text_Sentiment_Analyzer Self-learning record of text sentiment analysis Environment：python3.5 + windows10 1、create_new_sentiment_dict_and_predict_by_using_rules 项目 搜集了知网、百度、搜狗、台湾大学等多个平台的情感词典，对它们进行合并去重后得到新的较为完整的情感词典集合； 在处理文本问题上，首先对文本评论进行分词、去停用词等预处理，其次采用基于规则的方法（统计文本中情感词数及否定词和程度副词情况），对文本评论进行情感分析。 2、create_new_sentiment_dict_by_using_LDA 项目 以微博评论语料为基础，采用LDA主题模型的方法来寻找和情感种子词语义相近的词作为新的情感词，其中情感种子词是人工从知网情感

微博情感分析旨在研究用户关于热点事件的情感观点，研究表明深度学习在微博情感分析上具有可行性。针对传统卷积神经网络进行微博情感分析时忽略了非连续词之间的相关性，为此将注意力机制应用到卷积神经网络（CNN）模型的输入端以改善此问题。由于中文微博属于短文本范畴，卷积神经网络前向传播过程中池化层特征选择存在丢失过多语义特征的可能性，为此在卷积神经网络的输出端融入树型的长短期记忆神经网络（LSTM），通过添加句子结构特征加强深层语义学习。在两种改进基础上构造出一种微博情感分析模型（Att-CTL），实验表明该模型在微博情感分析上具有优良的特性，尤其在极性转移方面仍保持较高的F1值。

TextBlob：简化的文本处理主页：https://textblob.readthedocs.io/ TextBlob是用于处理文本数据的Python（2和3）库。 它提供了一个简单的API，用于深入研究常见的自然语言处理TextBlob：简化的文本处理主页：https://textblob.readthedocs.io/ TextBlob是用于处理文本数据的Python（2和3）库。 它提供了一个简单的API，可用于深入研究普通自然语言处理（NLP）任务，例如词性标记，名词短语提取，情感分析，分类，翻译等。 from textblob import TextBlob text ='''The Blob的名义威胁一直使我成为电影中的终极怪物：饥肠,、

该数据集包括了四个领域的中文评论：笔记本电脑、汽车、相机和手机，评论属于 二分类 任务及正面或负面。可被用作于 自然语言处理 中情感分类任务。 camera_label.txt camera_sentence.txt car_label.txt car_sentence.txt car_target.txt notebook_label.txt notebook_sentence.txt notebook_target.txt phone_label.txt phone_sentence.txt phone_target.txt camera_target.txt

财政收入影响因素分析及预测模型 电力窃电漏电用户 自动识别 ■电商产品评论数据情感分析 电子商务网站用户行为分析及 服务推荐 ■航空公司客户价值分析 航空公司客

我的毕业设计-情感分析我的毕业设计-情感分析