贝叶斯分类器构建网络，对豆瓣进行情感分析；TF-IDF

人工智能-项目实践-情感分析-基于朴素贝叶斯实现的豆瓣影评情感分析 语料来自与豆瓣Top250排行榜中的影评，基于Scrapy抓取，大约5w条影评，好评差评各占50%。 训练集与测试集4:1，结果准确率约为80%-79%之间。 因为电影评论中有很大一部分好评中会有负面情感的词语，例如在纪录片《海豚湾》 我觉得大部分看本片会有感的人，都不知道，中国的白暨豚已经灭绝8年了，也不会知道，长江里的江豚也仅剩1000左右了。与其感慨，咒骂日本人如何捕杀海豚，不如做些实际的事情，保护一下长江里的江豚吧，没几年，也将绝迹了。中国人做出来的事情，也不会比小日本好到哪儿去。 所以说如果将这种类似的好评去除，则可以提高准确率。

aclImdb.zip电影影评情感分析数据集，里面有两个子文件夹，train和test，里面又分别是有好的影评文件和坏的影评文件数据集

The Rotten Tomatoes movie review dataset包含train.tsv >8M和test.tsv >3M两个文件 kaggle下载地址: https:// www.kaggle.com/c/sentiment analysis on movie reviews/data 分类标签如下： 0 negative 1 somewhat negative 2 neutral 3 somewhat positive 4 positive

本文工作实现了两个模型： Spatial Dropout-GRU模型TextCNN模型，并分别测试了其情感分类效果。 开发环境：python3.6.5、tensorflow==1.12、keras==2.2.4 数据集： 1)训练集。包含2W条左右中文电影评论，其中正负向评论各1W条左右。 2)测试集。包含2w条左右中文电影评论，其中正负向评论各1W条左右。

只是一篇文章

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。