在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

* 用FastText在语料库上训练并生成词向量, 该任务语料库较小, 用fastText可以增加n-gram特征, 比传统word2vec要好 * 训练集10000条语料, 测试集500条语料 * 分别用SVM, Bayes, DNN, LSTM, Attention+BiLSTM, XGBoost等多种模型搭建并训练`正负情感二分类器`

数据集用于语音情感分析训练数据库。可以用于机器学习，深度学习。该数据集是CASIA语料库，该数据只用于学习。

基于【谭松波ChnSentiCorp-Htl-ba-4000: 平衡语料，正负类各2000篇】的【改良版】语料库。原语料库夹杂着许多重复评论、垃圾评论，以及被错误分类的评论，影响分类模型的评价指数。本语料库4000评论都已经过人工整理，耗时三天，用作训练集获得的模型质量更高。经测非常好用！

评论情感分类训练数据集，已完成清洗标注，分成四类，csv格式文档，二十万条数据清洗而成： 0：喜悦 1：愤怒 2：厌恶 3：低落

python实现基于词典的文本情感分析，包含测试数据和实现代码

用python实现基于情感词典的情感分析 大数据分析 用python实现基于情感词典的情感分析 大数据分析 用python实现基于情感词典的情感分析 大数据分析 用python实现基于情感词典的情感分析 大数据分析

文本情感分析（也称为意见挖掘）是指用自然语言处理、文本挖掘以及计算机语言学等方法来识别和提取原素材中的主观信息。 本文使用python来做文本情感分析

来自于NLPCC2013，解析后每一行为 情感\t句子 共有七类情感，且分布不均衡，划分训练集和测试集后数据数量为 1488 anger_data.txt 186 anger_test.txt 186 anger_val.txt 8:1:1 2459 disgust_data.txt 307disgust_test.txt 307 disgust_val.txt 8:1:1 201 fear_data.txt 50 fear_test.txt 50 fear_val.txt 4:1:1 2298happiness_data.txt 287happiness_test.txt 287happiness_val.txt 8:1:1 3286 like_data.txt 410 like_test.txt 410 like_val.txt 8:1:1 1917 sadness_data.txt 239 sadness_test.txt 239 sadness_val.txt 8:1:1 626 surprise_data.txt 78 surprise_test.txt 78 surprise_val.txt 8:1:1

基于word2vec扩展情感词典和SVM的情感分析方法，顾卓航，张笑燕，随着互联网的快速发展，用户的评论信息已经成为各个商家用于优化产品、服务的重要信息源，如何对这些评论信息进行情感分类已成为