论文：An Emotion Cause Corpus for Chinese Microblogs with Multiple-User Structures

nlpcc2013评测数据集

mojitalk_data，用emoj标注的推特。

比特币价值预测器 抽象： 该项目试图通过识别社交媒体情绪与市场情绪之间的相关性来预测比特币的未来价值。 我们将通过收集来自Twitter，Facebook和linkedin等社交媒体的用户供稿来实现这一目标。 有了语料库后，我们将使用IBM Watson的自然语言理解API来映射它们的关联情绪。 在将情感映射到我们的语料库时，我们尝试捕获粒度级别的类别，即欢乐，愤怒，幸福等。我们将这些类别用作ML / DL算法的特征向量。 然后，我们比较不同算法的结果，并选择精度最高的算法。 技术： 编程语言：Python，Java 大数据技术：Spark ML，Spark-SQL，Hadoop Mapreduce 图书馆：熊猫，Matplotlib，Scikit学习，TensorFlow，Keras 数据源： Twitter Api获得有关比特币/加密货币的推文。 LinkedIn Api可以在博客上获得语料库。 Web Scraping从新闻文章获取数据。 与数据的Dropbox链接： 参考文献： J. Bollen和H. Mao。 Twitter情绪是股市预测指标。 IEEE

本文件是博客CSDN文章《竞赛项目|基于情绪分析的智能语音AI娱乐互动系统》的word排版及实现源码，本项目获得当年全国二等奖.为方便有需要的迈微社友，现上传至此。

情绪分析 总览 情感分析是一种自然语言处理（NLP）任务，其目的是评估文本块的极性/情感。 根据定义，广泛用于客户关系管理（CRM）的环境中，用于自动评估评论和调查回复以及社交媒体。 情绪分析中常见的子任务是： 消息极性分类：给定一条消息，对消息的整体上下文极性进行分类是正面，负面还是中性。 基于主题或基于实体的消息极性分类：给定消息和主题或实体，将消息按该主题或实体分类。 SemEval（国际语义评估研讨会）是一个流行的，专门负责情感分析任务的研讨会。 有关此类任务（任务4）的最新年度（2017年）概述，请访问： : 。 该项目当前仅针对“消息极性分类”子任务。 该存储库包含：

亚马逊产品推荐系统 对可通过获取的Amazon Review数据集执行情绪分析 在线购物遍布整个互联网。 只需单击即可获得我们所有的需求。 最大的在线购物网站是亚马逊。 亚马逊不仅以其多样化的产品而著称，而且以其强大的推荐系统而闻名。 在我们的项目中，我们考虑了服装，鞋子，珠宝和美容产品的亚马逊评论数据集。 我们正在考虑用户对不同产品的评论和评分，以及他/她对产品使用经验的评论。 基于这些输入因素，在预测评论的有用性时进行情感分析。 此外，我们还设计了基于k最近邻的基于项目的协作过滤模型，以找到2个最相似的项目。 使用以下命令将json转换为CSV dataframe = pd.read_json('reviews.json') dataframe.to_csv('reviews.csv', sep=',', index=False) 执行的算法 情绪分析： 推荐系统： k最近邻居

数据科学基础 该存储库包含有关数据科学基础课程的作业的代码，我获得的分数是8.0 / 10.0。 作业1执行推文的情感分析。 作业2评估了用户Instagram活动与图像内容及其幸福感之间关系的性质。 这是通过有关用户的数据，图像及其元数据和从图像中提取的特征（例如，情感，面部表情）来完成的。

视距 基于NLP的客户情绪分析 TCS Inframind第4季第2轮2021年 用例企业AI

适用于情感分析的中文微博数据集。数据集以xml格式储存，包含情感类别，正负两大类，细分小类也包含。sentiment classification