Stanford Sentiment Treebank 是一个标准情感数据集，主要用于情感分类，其中每个句子分析树的节点均有细粒度的情感注解。 该数据集由斯坦福大学的 NLP 组发布，其中句子和短语共计 239232 条，相较于忽略单词顺序的大多数情绪预测系统，这套深度学习模型建立了基于句子 结构 的完整表示。它可根据单词组成的短语判断情绪。 该数据集由斯坦福大学 自然语言处理 组于 2013 年发布，相关论文有《Recursive Deep Models for Semantic Compositionality Over a Sentiment Treebank》。

情感分析（Python3） 目录 项目描述 挑战包括将Yelp，IMDB和Amazon的产品评论归为正面还是负面； 给定评论评论的文本作为输入。 本练习的重点是机器学习中称为自然语言处理的一个领域。 目的是根据文字预测情绪-陈述背后的情感意图。 例如，句子：“这部电影太可怕了！” 拥有负面情绪，而“喜欢这部电影杰作”则具有正面情绪。 为了简化任务，我们将情感视为二进制：标签1表示句子具有正面情绪，标签0表示句子具有负面情绪。 数据集 数据集分为三个文件，代表三个不同的来源-Amazon，Yelp和IMDB。 任务是使用Yelp和IMDB数据作为训练集构建情感分析模型，并在Amazon数据上测试模型的性能。 每个文件都可以在输入目录中找到，并且包含1000行数据。 每行包含一个句子，一个制表符和一个标签-0或1。 技术领域 请参阅requirements.txt文件以获取完整的Pyth

Opinion Mining and Sentiment Analysis-Bo Pang

酒店系统java源码 Sentiment-Analysis 本项目主要内容说明 本项目是基于java实现的本科毕设。首先从亚马逊中文网站爬取了关于“手机”的评论，然后对其进行情感分类。使用用户标记的星级作为情感类别，将这些评论分为了3类（与星级对应关系为1-{1,2},2-{3},3-{4,5}）和5类（与星级一一对应）。预处理包括字符处理（包括全角转半角、过滤无关符号，主要为了避免特征稀疏）以及发现新词、分词、删除停用词，使用的主要分类方法是朴素贝叶斯，特征选择方法包括信息增益（Information Gain，IG）和文档频率（Document Frequency，DF）以及它们的结合。 分类效果：对亚马逊评论三分类F1值效果为 79.72%, 五分类效果为 63.63%。为了进一步检验，使用本文分类器对tanh松波酒店评论进行二分类，使用信息增益筛选特征，最好情况下， precision、 recall、 F1 值分别达到了 85.89%、 82.33%、 84.07%. 本项目又进一步增加了卡方统计和互信息的特征选择方法，并进行了对比分析。以此为基础，在《计算机应用》发表了。并

基于方面的情感分析 给定句子中的某个方面字词，预测该方面字词的情感标签 该项目的所有详细信息都可以在找到 MemNet代码是

情感分析 它是一种文本分类，可在IMDB大电影评论数据集上训练递归神经网络（RNN）以进行情感分析。

Twitter情感分析项目使用NLP

SentimentAnalysisWithBaiduAI 本项目介绍如何使用百度AI进行情感分析，其他自然语言处理类百度AI接口类似，换API即可使用，普通用户QPS限制为5 使用步骤 1.在百度AI控制台申请应用，获取AK，SK 2.更换GetAccessToken类中的AK，SK 3.更改待分析文本所在文件夹地址，分析后的内容也会放回这个文件夹 4.根据自己文本的格式，修改读取文件的方式 5.运行程序 实现功能： 1.根据AK，SK获取AT 2.根据返回错误信息自动调整请求速度 3.情感分析

该资源包含了数据集、源码以及说明文档

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