基于python微博情感分析

现有的微博情感分析方法已经注意到了微博文本与图片之间的互补作用，但较少注意用户情感表达的差异和微博内容中除文字之外的特征，为此提出一种多特征融合的图文微博情感分析方法。首先构建文本情感分类模型，将对情感具有很好指示作用的内容特征和用户特征与微博句子进行融合， 然后构造了基于参数迁移和微调的图片情感分类模型。最后设计特征层和决策层融合的方法，将文本和图片情感分类模型进行融合。实验结果表明，内容特征和用户特征有效增强了模型捕捉情感语义的能力，并在多项性能指标上都取得了很好的效果， 构建的图文情感分类模型和融合方法可获得更好的性能。

中文微博情感数据库（2分类数据集） 带情感标注的微博语料数量: 10000(train.txt)+500(test.txt) 数据格式： 文档的每一行代表一条语料 每条语料的第一个数据为微博对应的mid,是每条微博的唯一标签,可以通过"https://m.weibo.cn/status/" + mid 访问到该条微博的网页(部分微博可能已被博主删除) 第二个数据为情感标签, 0表示负面, 1表示正面 其余后面部分都是微博文本 微博表情都被转义成[xx]的格式, 如: avatar被标记为[doge] avatar被标记为[允悲] 微博话题/地理定位/视频、文本超链接等都转义成了{%xxxx%}的格式，使用正则可以很方便地将其清洗

本项目基于 weibo_senti_100k.csv 数据集，分别使用朴素贝叶斯、逻辑回归、LSTM、CNN、BERT等模型进行了实验，其中涉及的词向量表示方式包括one-hot、Bag of Words、TF-IDF、Word2Vec、Glove等。对于Word2Vec和Glove词向量的构建过程，本项目也提供了相关代码。项目中模型的训练运行脚本为train.sh，如bert_train.sh，模型的测试运行脚本为test.sh，如bert_test.sh。此外，本项目也会给出如何将训练好的BERT模型以服务的形式进行部署，以满足商业应用中的实时性需求。针对具体模型的使用，请读者查看*_README.md文件。希望通过本项目的学习，读者能够对情感分析中常用的模型技术有进一步的理解。

这是关于微博情感分析的语料，类别分好，可以直接投入分析程序中使用，方便大家研究情感分类，免去大家写爬虫或API等方式爬取数据的烦恼

近年来，文本的情感分析一直都是自然语言处理领域所研究的热点问题；微博作为一种短文本，用词精炼而简洁，富含观点、倾向和态度。因此，识别微博的情感倾向具有重要的现实意义。提出一种基于SVM和CRF的情感分析方法，使用多种文本特征，包括词、词性、情感词、否定词、程度副词和特殊符号等，并选用不同的特征组合，通过多组实验使情感分析效果最优。实验显示，选用词性、情感词和否定词的特征组合时，SVM模型的正确率达到88.72%，选用情感词、否定词、程度副词和特殊符号的特征组合时，CRF模型的正确率达到9044%。

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。

基于AdaBoost算法的情感分析研究

内含测评数据，评测数据，样本数据以及原始未标注数据。

基于卷积神经网络的微博情感倾向性分析