基于主题情感混合模型的无监督文本情感分析

这是一个面向句子的情感分类问题。训练集和测试集已给出，使用训练集进行模型训练并对测试集中各句子进行情感预测。训练集包含10026行数据，测试集包含4850行数据。使用run_classifier.py对文本进行情感分类预测，模型为BERT-base基础版本模型。

包含验证集、测试集、训练集 设置的是0积分下载

基于机器学习的文本情感分类研究 详细算法文档，pdf格式，高清扫描版 >120页，内容比较详细，需要一定理论功底。

用于文本情感分析的情感词典集.rar

sentiment 关于代码 版本：v1.1 环境：python3; tensorflow-1.0.0; keras-2.0.6 使用：将data文件夹中的三个csv文件放到py文件同个文件夹下面即可运行 Finish： 使用jieba进行分词，并用LSTM对第一个情感关键词进行预测，10轮epochs后验证样本的准确率为0.70 Todo： 将情感关键词添加到jieba的字典里 将第2、3个关键词添加到样本，将预测的概率大于阈值的位置作为情感关键词输出 完成主题和情感正负面的分析 完善LSTM的网络 试试CNN的效果

采用LSTM模型，训练一个能够识别文本postive, neutral, negative三种情感的分类器。

文本情感二分类

本科毕业设计用网上的源码 简单的中文文本情感分类 一个用 PyTorch 实现的中文文本情感分类网络，代码较简单，功能较丰富，包含了多种模型 baseline。 环境需求 python == 3.6 torch == 1.1.0 Intel(R) Xeon(R) CPU E5-2620 v4 @ 2.10GHz NVIDIA TITAN Xp 其余的见 requirements.txt 使用方法 先预处理，./run_preprocess_word2vec.sh 或 ./run_preprocess_elmo.sh 3（3 是 gpu 编号） 然后运行 python3 main.py --config_path config_cnn.json 预处理 将所给文本的每个词转换成预训练模型的词向量后存到文件里。我分别尝试了这两种 embedding： ELMo 中文预训练模型，1024d（ Chinese-Word-Vectors，300d（ 请自行下载相应的模型文件到 data/word2vec/ 或 data/zhs.model 文件夹下。 具体细节见 preprocess.py 文件

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。