文本分析和情感分析 用于产品评论注释的文本分析和情感分析。 输入 ： 使用“ AmazonComments.csv”，其中包含使用某些R代码从亚马逊获取的评论。 输出 ： 词云 CSV文件-每个评论注释的情感极性。“ AmazonReviewSentimentAnalysis.csv” 我们发现，在611条评论中，有49条具有负极性，而562条具有正极性或中性极性。 从否定词云中，我们看到诸如说明，手册，订购，购买，用户指导，联系方式，服务之类的单词。这意味着可能会有一些关于用户手册/控制器的投诉，或者购买周期或客户可能有问题护理服务。 业务现在可以进一步研究这些以改进流程。 5，我们还会看到一些诸如设置，关闭，插头，探头，电源选项，界面之类的词。 这些可能会导致某些人对恒温器的设计或零件不满意。 业务现在有一些改进领域需要进一步研究。 来自twitter- Textblob和

针对电影上映前后影评情感会发生较大变化，导致电影行业分析者分析影评情感对票房预测的影响具有一定难度的问题，提出一种基于影评情感类型与强度的自回归票房预测模型，并构建了面向票房预测的影评情感可视分析系统MRS-VIS。系统基于时空特征，提出一种空间插值可视化视图，并结合多种可视化经典视图，帮助电影行业分析者对一部电影在上映前后的影评情感进行多角度探索与分析。系统支持分析者在情感分析的基础上，通过交互操作对情感类型与强度进行编辑，进一步提高票房预测模型的准确性和可靠性。案例分析结果表明，提出的模型和构建的系统可以有效帮助电影行业分析者分析影评情感类型和修正情感。

基于TensorFlow的中文文本情感分析完整项目，提供环境配置信息、保姆级注释，新手小白也可搭建。

只是一篇文章

自然语言情感分析

可以进行文本挖掘、中文分词、自然语言处理、词频统计、情感分析及可视化等

评论极性分析及预测

深度学习实战篇：采用LSTM网络进行影评情感分析，涉及到词向量模型。训练样本数据齐全。代码有图有分析，便于初学者学些。

数据包含四种情感类型的文本文件及中文停词文本

MAMS for ABSA 此存储库包含论文“ EMCLP-IJCNLP 2019， 挑战数据集和基于方面的情感分析的有效模型”的数据和代码。 彩信 MAMS是用于基于方面的情感分析（ABSA）的挑战数据集，其中每个句子包含至少两个具有不同情感极性的方面。 MAMS数据集包含两个版本：一个用于方面术语情感分析（ATSA），另一个用于方面类别情感分析（ACSA）。 要求 pytorch==1.1.0 spacy==2.1.8 pytorch-pretrained-bert==0.6.2 adabound==0.0.5 pyyaml==5.1.2 numpy==1.17.2 scikit-learn==0.21.3 scipy==1.3.1 快速开始 将经过预训练的GloVe（ ）文件glove.840B.300d.txt放在./data文件夹中。 修改config.py以选择任务，模型和