基于BERT的德语社交媒体文本情感分析，李澜，叶勇超，德语语法复杂,语序多变,造成其社交媒体文本情感分析难度较大,相关研究较少。为解决以上研究难点,本文分析了德语及其社交媒体文本��

对话情绪识别 对话情绪识别适用于聊天、客服等多个场景，能够帮助企业更好地把握对话质量、改善产品的用户交互体验，也能分析客服服务质量、降低人工质检成本。 对话情绪识别（Emotion Detection，简称EmoTect），专注于识别智能对话场景中用户的情绪，针对智能对话场景中的用户文本，自动判断该文本的情绪类别并给出相应的置信度，情绪类型分为积极、消极、中性。

用于本项目文本情感分析部分的源码

nlp 短文本情感分析 微博语料库 带标记

基于主题情感混合模型的无监督文本情感分析

用于文本情感分析的情感词典集.rar

sentiment 关于代码 版本：v1.1 环境：python3; tensorflow-1.0.0; keras-2.0.6 使用：将data文件夹中的三个csv文件放到py文件同个文件夹下面即可运行 Finish： 使用jieba进行分词，并用LSTM对第一个情感关键词进行预测，10轮epochs后验证样本的准确率为0.70 Todo： 将情感关键词添加到jieba的字典里 将第2、3个关键词添加到样本，将预测的概率大于阈值的位置作为情感关键词输出 完成主题和情感正负面的分析 完善LSTM的网络 试试CNN的效果

采用LSTM模型，训练一个能够识别文本postive, neutral, negative三种情感的分类器。

针对社交网络数据的文本情感分析，目前常用的研究方法主要是基于传统机器学习算法，根据手工标注好的情感词典，对文本信息使用朴素贝叶斯、支持向量机、最大熵方法等机器学习算法进行情感分析。为了避免对手工方式建立的情感词典的依赖，减少机器学习过程中的人工干预，提出基于卷积神经网络和注意力模型相结合的方法进行文本情感分析。实验表明，根据准确率、召回率和F1测度等衡量指标，提出的方法较传统的机器学习方法和单纯的卷积神经网络方法有明显的提高。

中文、微博、情感分析、SVM模型实现、DNN模型实现。微博评论数据集7962条，其中包含积极和消极情感倾向。主要做法如下： 实现语言：python、tensorflow==1.12、keras==2.2.4 一是基于传统文本特征表示的稀疏性，结合当前成熟技术，设计并实现了基于Word2vec的词向量训练方法，该方法可以将词表示为具有语义关系的特征向量形式，方便模型的使用。 二是采用自然语言处理常用技术完成对文本的预处理操作，既是完成了数据的预处理过程。 三是研究并实现了SVM和DNN两个最具代表性的模型在中文情感分析领的应用，完成了大数据的数据挖掘过程。并在已有的数据集上进行了实验，由具体实验结果我们发现SVM神经网络模型取得了78.03%的F值，较DNN(88%)方法低了9%，但是其训练速度较快。