数据集分为训练、验证、测试A与测试B四部分。数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务、位置等要素；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”、“排队等候时间”等细粒度要素。

DEAP数据集 很少有关于使用eeg信号进行情感分析的数据集上的PyTorch实验，重点是建立生成对抗网络（ ）和条件GAN（ ）模型。

语音情感分析仪 基于长期短期记忆（LSTM）网络的语音情感分析器。 该模型可以有效地分析愤怒，厌恶，恐惧，幸福，中立，悲伤和惊奇的7种基本情绪。 在多伦多情感言语集（TESS）数据集上进行了培训。 这对模型的可推广性造成了一些固有的限制。 由于TESS目前只有两名女性配音演员，并且在录音室中进行录制，因此该模型无法与直接制作相提并论。 该代码在jupyternotebook文件中，并且记录充分。

数据来自hownet知网数据下载中心 该数据能很好的用来情感分析研究

rost文本分析是文本挖掘集成分析工具，能分析词频、IDF、情感倾向、语义网络、相关性等等。

利用SVM法处理微博文本数据并对其进行情感分类（Python）

这是柏林语音情感分析库，包含语音文件和标签，还有其他特征，具体使用说明请看柏林语音情感分析库的官网。

基于酒店评论的文本情感分析-附件资源

TextCNN Pytorch实现中文文本分类 论文 参考 依赖项 python3.5 pytorch == 1.0.0 torchtext == 0.3.1 jieba == 0.39 词向量 （这里用的是Zhihu_QA知乎问答训练出来的单词Word2vec） 用法 python3 main.py -h 训练 python3 main.py 准确率 CNN-rand随机初始化嵌入 python main.py Batch[1800] - loss: 0.009499 acc: 100.0000%(128/128) Evaluation - loss: 0.0000

去重后的非平衡酒店评论情感语料，分为两个文件，neg=1172条，pos=5358条。按照id,text,label划分，pandas可以直接读取。