情感分类常用数据集rest14和lap14，针对aspect term进行分类，极性分为positive，negative， neutral。只有训练集和测试集，移除了有矛盾的情感极性

zhesh一个基于百度api的做英文文本情感分析，结果可得到分类结果，准确率！

情感图像分类 建立CNN并将转移学习应用于新的分类问题。 这是一个私有的kaggle数据集，数据集链接位于： ://drive.google.com/drive/folders/1HtQkw7FiK9BT881teXnGj5_piibBMHdW?usp=sharin。 该数据集包含约28000张图像。 每个示例都是48x48灰度图像，与来自7个情感或类的标签（如生气，高兴等）相关联 完成了将数据整形为48 * 48并将图像的大小调整（裁剪）为32 * 32的预处理步骤。 我将旋转用于数据扩充的随机性。 我设计了具有三个隐藏层的CNN模型。 所有3层的内核大小都相同（3 * 3）。 我的模型学习的总参数为107015 超参数设置：epochs = 30，batch-size = 256，lr（Adam的学习率）=。0001我用几个不同的epochs和batch-size训练了模型，然后

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

本文是关于英文情感分类的源码，详情请参考博客https://blog.csdn.net/pursue_myheart/article/details/81095094

针对多音轨MIDI文件，提出一种多音轨MIDI音乐主旋律识别方法，通过对表征音乐旋律特征的音高、音长、音色、速度和力度5个特征向量的提取，构建基于BP神经网络的情感模型，并且用200首不同情感特征的歌曲对其进行训练和验证。实验结果显示取得了较好的效果。

大三人工智能情感分类任务，其中包含CNN、LSTM、GRU、BiLSTM、BiGRU、TC-LSTM、TD-LSTM以及它们的注意力模型等pytorch版本代码，可以直接运行。里面还包括了情感分类任务的介绍以及实验报告的word版本。

大三人工智能nlp作业，其中包含任务介绍、代码和报告，pytorch实现。 对话情感分类简介：A与B对话，A先说，B回应，A再次回应，判断A的情感。 使用LSTM以及预训练模型完成，准确率较高

ai challenger 2018细粒度情感分类第一名解决方案,统一使用tensorflow和pytorch的一个框架

基于阿拉伯方面的情感分类_Arabic aspect based sentiment classification using BERT.pdf