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。

微博爬虫2.0，这是纯代码第一篇非GUI的博文：http://www.omegaxyz.com/2018/02/13/python_weibo/ 增加功能：微博文字情感预测 原始GUI程序的功能： ①输入需要被爬取的微博的ID，点击运行选择保存的位置即可爬取。 ②进度可视化界面。 ③如果内置代理失效可以进行代理自定义设置。 ④可视化被爬取微博者的个人信息。

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。

语音情感识别数据库，适合锻炼，本人亲测有效。

情感极性CoreML演示 使用CoreML框架进行情感极性分析的演示应用程序。 模型 是使用 python软件包从转换而来的。 该模型基于分类器，能够区分具有最佳CV分数= 0.801013024602的正面和负面句子。 使用数据集对产品和服务进行了培训。 通过使用进行特征提取可以提高准确性，但是目前不支持此功能。 要求 Xcode 9 iOS 11 安装 git clone https://github.com/cocoa-ai/SentimentCoreMLDemo.git cd SentimentCoreMLDemo open SentimentPolarity.xcodeproj/

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

情感和语义分析 使用Python查找文本的极性和单词之间的结构关系 创建了一个python工具，可对实时推文和新闻文章进行情感和语义分析。 执行twitter数据提取（即使用tweepy库）并通过python脚本进行清理。 可视化Tableau中正面和负面推文中最常出现的单词。 根据语义分析计算出的TF-IDF（即术语频率，逆文档频率）和最高相对频率。 科技栈 Tweepy，Python，MongoDB，Tableau，Nodejs。