具体使用方式，请移步我的博客这篇文章https://blog.csdn.net/Java_coder_guan/article/details/103674189#comments_17332493

The MPQA Opinion Corpus contains 535 news articles from a wide variety of news sources manually annotated for opinions and other private states (i.e., beliefs, emotions, sentiments, speculations, etc.).

和声2 神经网络音乐生成 利用最先进的 NLP 模型来生成人类发声的音乐 该项目是由加州大学伯克利分校的 John Canny 教授主持的 CS282-设计和可视化神经网络课程的一部分。 目标 我们调查了以下研究问题：“我们如何构建一个模型来生成离散标记序列，这些标记不仅可以模拟短期模式，还可以模拟长期模式。” 我们将结合音乐生成进行这项研究——节奏和旋律是短期模式，形式和结构是我们将尝试建模的长期模式。 背景 关于人工音乐生成的挑战已经有广泛的研究。 最近的方法包括 LSTM 和双 STM 架构 [1]，SeqGAN 架构，它训练生成对抗网络以通过策略梯度 [2] 或 GAN [3] 生成结构化序列。 然而，最新的进展来自 OpenAI，并利用了 NLP 深度学习模型的最新突破。 他们使用的是变压器的改进版本，称为音乐变压器。 该模型使用注意力机制：每个输出元素都连接到每个输入元素，并且它们之间的权重是动态计算的。 它没有明确地通过对音乐的理解进行编程，但它可以通过学习预测标记（以结合音高、音量和乐器信息的方式编码的音符）来发现和声、节奏和风格的模式。 MIDI 文件。 有关更多信息

释义张量流 Tensorflow（1.1.0）中实现了多种用于复述的模型和代码。 我非常小心地记录了代码，并解释了整个模型中各个步骤的操作。 希望对于那些想开始使用Tensorflow的人来说，这将是一个教学示例代码！ 到目前为止，此仓库已实现： 基本的暹罗LSTM基准，大致基于的模型 如所述，带有附加“匹配层”的Siamese LSTM模型 。 的或多或少的最新的双边多视角匹配模型 。 欢迎添加更多模型/优化或修补现有模型的公关！ 模型代码的大部分位于 很多数据处理代码都来自受其启发，如果您喜欢此项目的结构，请检查一下它们！ 安装 该项目是在Python 3.5中开发

常用停用词表

NLP情感分类 参考 2006 年在线产品评论情感分类比较实验。 Hang Cui, Vibhu Mittal, Mayur Datar 数据爬虫 去做 添加更多功能 完全的 简单的被动攻击算法 简单的 Winnow 算法 简单的语言建模 Passive-Aggressive Algorithm & Winnow 算法调整训练 用法 JavaSE-1.7 蚀 如果在 eclipse 上编译器错误并显示NOT FOUND MAIN CLASS ，请找到菜单栏Project > Clean ...并运行它来重建/bin 。 选项 prompt> java -jar NLP-SentimentClassification.jar Usage: java -jar NLP-SentimentClassification.jar [options] Input Options -path <

zip包里包含情感分析所需要的程度级别词语，积极词库，消极词库，否定词，总结了知网，大连理工等词库，实用有效！！！

在这个项目中，我们将应用自然语言处理来了解有关比特币和以太坊的最新新闻中的情绪。 我们还将应用基本的自然语言处理技术，以更好地理解与硬币价格有关的其他因素，例如文章中提到的常用单词和短语以及组织和实体。 我们将完成情感分析，自然语言处理和命名实体识别。 情绪分析 我们将使用News API，获取关于比特币和以太坊的最新新闻，并为每个硬币创建一个情感分数的DataFrame。 使用描述性统计信息来回答以下问题： 哪种硬币的平均阳性得分最高？ 哪枚硬币的负分最高？ 哪枚硬币的正面得分最高？ 自然语言处理 在本节中，我们将使用NLTK和Python将每个硬币的文本标记化。 小写每个单词 删除标点符号 删除停用词 接下来，查看每个硬币的ngram和单词频率。 使用NLTK生成N = 2的ngram。 列出每个硬币的前10个字。 最后，为每个硬币生成词云，以总结每个硬币的新闻。 命名

基于NLP警情甄别的微信小程序的开发与应用.pdf

本片论文是2020中国入选ACL的论文之一，是北邮计算机学院图数据挖掘和机器学习实验室的石川老师等和微软亚洲研究院合作完成的项目，我简单拜读了一下，写一点自己的浅薄理解，这是做的一点笔记，如有不对还请指出！