以微博为代表的社交平台是信息时代人们必不可少的交流工具.挖掘微博文本数据中的信息对自动问答、舆情分析等应用研究都具有重要意义.短文本数据的分类研究是短文本数据挖掘的基础.基于神经网络的Word2vec模型能很好的解决传统的文本分类方法无法解决的高维稀疏和语义鸿沟的问题.本文首先基于Word2vec模型得到词向量，然后将类别因素引入传统权重计算方法TF-IDF （Term Frequency-Inverse Document Frequency）设计词向量权重，进而用加权求和的方法得到短文本向量，最后用SVM分类器对短文本做分类训练并且通过微博数据实验验证了该方法的有效性.

第一，基于Word2Vec的文本获取及预处理。收集和处理微博语料，分为大规模的旧语料和爬取的小规模疫情语料。对文本进行预处理，比如分词，去停用词等，用Word2Vec训练对文本数据进行向量化。 第二，用大规模语料训练Attention-LSTM情感分类模型与将卷积神经网络应用到文本分析的TextCNN模型的实验进行对比，证明Attention-LSTM在文本情感分析的效果更好。 第三，在微博上爬取的小规模语料上做情感分析，分析疫情下人们的情绪情况。 可以发现，Attention-LSTM模型能较好的分析疫情人们的情感态度

COAE2014微博文本倾向性分析评测数据集

数据科学大作业 具体内容见pdf 只要把爬虫文件里的cookie换成你的应该就跑的起来 当然还要改日期和关键词

基于贝叶斯分类的大学生关注热点事件微博文本分类方法研究，张晓宇，殷复莲，本文针对互联网，尤其是微博平台中大学生用户产生的海量的文本分类问题，提出应用贝叶斯网络分类器对微博评论进行分类的解决方案

近年来，微博的Swift发展为实体关系提取（ERE）提供了新的载体。 然而，微博的特征也为ERE研究带来了挑战。 考虑到微博的特点，提出了一种无监督的开放关系抽取（ORE）方法，即MICRO-ORE。 首先，MICRO-ORE使用左右信息熵方法自动从微博文本中提取关键短语，并将其链接到外部知识源以规范微博文本并添加语义信息。 其次，根据汉语的句法特点，MICROORE制定了提取规则以提取关系元组。 我们用新浪微博文本对提出的方法进行了评估，结果表明该方法比传统的关系提取方法能够提取更多的信息，并且满足准确性要求。 据我们所知，MICRO-ORE是第一个中文微博文本的ORE方法。

有Nlpcc2013、Nlpcc2014两年的微博细粒度情感分类资料 两年的文件包含xml原始数据集和 处理后的tsv数据集（带标注（surprise、sadness、like、anger、happiness、disgust,））

实现根据给定目标用户的微博UID,得到目标用户微博个人资料,保存到本地 依据目标用户微博UID抓取一定时期内目标用户所发(原创和转发)微博(包含图片、视频),保存到本地 依据所抓取目标用户微博内容、目标用户头像制作目标用户微博关键词词云 依据目标用户微博个人资料,制作目标用户个人电子名片 可视化目标用户日、月、年度微博点赞数、转发数 依据目标用户原创微博所@用户,可视化用户好友关系图 设置评论数阈值,爬取目标用户热门微博下热评 统计目标用户热门微博下热评次数较多用户,挖掘目标用户狂热粉丝

数据包含四种情感类型的文本文件及中文停词文本

微博文本分析和可视化 0.数据来源和结构 新浪微博，爬虫链接： 微博内容数据结构（mongo数据库导出的json文档） content_example: [ {'_id': '1177737142_H4PSVeZWD', 'keyword': 'A股', 'crawl_time': '2019-06-01 20:31:13', 'weibo_url': 'https://weibo.com/1177737142/H4PSVeZWD', 'user_id': '1177737142', 'created_at': '2018-11-29 03:02:30', 'tool': 'Android'