LoughranMcDonald_SentimentWordLists_2018 LoughranMcDonald情感词典2018情感列表，包含消极、积极、不确定、弱度、强度

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。

包含三个知名情感词典：知网Hownet、台湾大学NTUSD、清华大学李军中文褒贬义词典。 附其他词典和分类：褒贬词及其近义词、否定词典汉语情感词极值表、情感词典及其分类、情感词汇本体

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

基于python和CNN算法实现微博情感分类，分4类： 0：喜悦 1：愤怒 2：厌恶 3：低落。 大致思路是利用CNN对已有的的词汇数据进行训练，然后利用模型在测试集上验证效果。环境配置： windows10企业版(x64)+python3.6.8(x64) nltk == 3.4.5 pandas == 0.25.3 numpy ==  1.16.4 scikit-learn = 0.20.4 keras == 2.2.2 tensorflow == 1.9.0 jieba == 0.42.1

该数据库(http://www.chineseldc.org/resource_info.php?rid=76)由中国科学院自动化研究所录制,由4位录音人(2男2女)在纯净录音环境下(信噪比约为35db)分别在5类不同情感下(高兴、悲哀、生气、惊吓、中性)对500句文本进行的演绎得到,16kHz采样,16bit量化.经过听辨筛选,最终保留其中9 600句.

细粒度用户评论情感分析 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实质性的价值，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。 依赖 Python 3.5 PyTorch 0.4 数据集 使用AI Challenger 2018的细粒度用户评论情感分析数据集，共包含6大类20个细粒度要素的情感倾向。 数据说明 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。评价对象的具体

基于LDA对电商商品评论进行情感分析-附件资源

情感分析word2vec-LSTM 使用PyTorch对流行电影评论数据集进行情感分析word2vec + LSTM 请注意：由于损失很大，我将更新此仓库。 数据集非常混乱。 当我有足够的时间时，我将再次更新此笔迹。 数据集：Go Kaggle 1.600.000 Twitter数据集