电影评论数据作为训练数据集. 其中, 训练数据集20000条(正负向各10000条); 测试数据集6000条(正负向各3000条)。造福没有积分的宝宝。资源来自于https://www.ctolib.com/lxw0109-ChineseSentimentAnalysis.html

数据集官网：https://ai.stanford.edu/~amaas/data/sentiment/ 数据集的训练集和测试集各有25000个样本，且正负样本个数相同，均为12500个。 该数据集和官网提供的相比，去除了一些不必要的文件，其他均未改动。

公开数据集，包括lt，res，res15，res16等，其中每个数据集又分为训练集及测试集，又细分为sentence、label、term等文件。

基于python实现微博动态情感分析设计Flask制作restful api项目源码+数据集.zip 适用于做NLP情感分析 【备注】主要针对正在做毕设的同学和需要项目实战的深度学习学习者。 也可作为课程设计、期末大作业、作为毕设使用。 也可以用来学习、参考、借鉴。

Senta是一款百度开源的情感分析系统。 情感分析旨在自动识别和提取文本中的倾向、立场、评价、观点等主观信息。它包含各式各样的任务，比如句子级情感分类、评价对象级情感分类、观点抽取、情绪分类等。情感分析是人工智能的重要研究方向，具有很高的学术价值。同时，情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用，具有很高的商业价值。 近日，百度正式发布情感预训练模型SKEP（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis）。SKEP利用情感知识增强预训练模型， 在14项中英情感分析典型任务上全面超越SOTA，此工作已经被ACL 2020录用。 为了方便研发人员和商业合作伙伴共享效果领先的情感分析技术，本次百度在Senta中开源了基于SKEP的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。 SKEP SKEP是百度研究团队提出的基于情感知识增强的情感预训练算法，此算法采用无监督方法自动挖掘情感知识，然后利用情感知识构建预训练目标，从而让机器学会理解情感语义。SKEP为各类情感分析任务提供统一且强大的情感语义表示。 百度研究团队在三个典型情感分析任务，句子级情感分类（Sentence-level Sentiment Classification），评价对象级情感分类（Aspect-level Sentiment Classification）、观点抽取（Opinion Role Labeling），共计14个中英文数据上进一步验证了情感预训练模型SKEP的效果。实验表明，以通用预训练模型ERNIE（内部版本）作为初始化，SKEP相比ERNIE平均提升约1.2%，并且较原SOTA平均提升约2%。

基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确模式进行分词，构造词典 将词汇向量化 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比 SVM vs LSTM 基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确模式进行分词，构造词典 将词汇向量化 创建词语字典，并返回每个词语的索引，词向量，以及每个句子所对应的词语索引 分类模型对比 SVM vs LSTM 基于机器学习的商品评论情感分析——毕业设计项目.zip从淘宝爬取评论 使用Selenium模拟真实登录行为，并爬取数据。 数据清理 如果文本中有“666“，”好好好“等无用词语，去掉评论中的标点符号。 分词 使用jieba精确

基于AdaBoost算法的情感分析研究

表情包情感分类数据集，用于情感分析，，各类表情图像共6992张图片 表情包情感分类数据集，用于情感分析，，各类表情图像共6992张图片 表情包情感分类数据集，用于情感分析，，各类表情图像共6992张图片

基于深度学习LSTM算法的电商评论的情感分析（JD商城数据）全部资料.zip实验流程 对京东网站进行分析，并且通过分布式爬虫进行数据采集 对采集到的数据进行清洗，包括删掉重复数据，删掉垃圾数据等 对清理好的数据进行分词，停词等操作，并对结果保存到新的文档 将分词之后的数据，通过word2vec，建立词向量和索引表 对清洗后的数据，进行数据处理，将分数为1、2的定为不满意，将分数为3，4，5的定为满意 平衡正负样本数据，并且通过样本数据选出合适的文本长度值 词响亮与标签结合，生成可供训练的样本数据 建立分批（batch）函数 通过Tensorflow中的rnn模块进行lstm建模 开始训练，每1000次输出一次结果，每10000次，保存一下模型 绘制loss和accurate图像 实验总结 情感分析是一项非常重要的工作，无论是对商品满意度，电影满意度，政府满意度或者是群众情绪导向等多个领域，情感分析都是饰演着重要的角色，本实验通过大规模分布式爬虫对数据进行采集，获得到了目标数据，然后进行了数据处理，通过word2vec模型建立出了词向量和索引，在通过LSTM算法，进行了模型训练，根据最终

基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx基于情感分析的汽车推荐系统的设计与实现.docx