Attention-based LSTM for Aspect-level Sentiment Classification 论文代码 作者： Yequan Wang Minlie Huang Li Zhao Xiaoyan ZHu

从新浪微博爬虫下来的数据，评论语料库，可以作为情感分析的数据来源

情感极性CoreML演示 使用CoreML框架进行情感极性分析的演示应用程序。 模型 是使用 python软件包从转换而来的。 该模型基于分类器，能够区分具有最佳CV分数= 0.801013024602的正面和负面句子。 使用数据集对产品和服务进行了培训。 通过使用进行特征提取可以提高准确性，但是目前不支持此功能。 要求 Xcode 9 iOS 11 安装 git clone https://github.com/cocoa-ai/SentimentCoreMLDemo.git cd SentimentCoreMLDemo open SentimentPolarity.xcodeproj/

LoughranMcDonald_SentimentWordLists_2018 LoughranMcDonald情感词典2018情感列表，包含消极、积极、不确定、弱度、强度

MAMS for ABSA 此存储库包含论文“ EMCLP-IJCNLP 2019， 挑战数据集和基于方面的情感分析的有效模型”的数据和代码。 彩信 MAMS是用于基于方面的情感分析（ABSA）的挑战数据集，其中每个句子包含至少两个具有不同情感极性的方面。 MAMS数据集包含两个版本：一个用于方面术语情感分析（ATSA），另一个用于方面类别情感分析（ACSA）。 要求 pytorch==1.1.0 spacy==2.1.8 pytorch-pretrained-bert==0.6.2 adabound==0.0.5 pyyaml==5.1.2 numpy==1.17.2 scikit-learn==0.21.3 scipy==1.3.1 快速开始 将经过预训练的GloVe（ ）文件glove.840B.300d.txt放在./data文件夹中。 修改config.py以选择任务，模型和

细粒度用户评论情感分析 在线评论的细粒度情感分析对于深刻理解商家和用户，挖掘用户情感等方面有实质性的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐，智能搜索，产品反馈，业务安全等。 依赖 Python 3.5 PyTorch 0.4 数据集 使用AI Challenger 2018的细粒度用户评论情感分析数据集，共包含6大类20个细粒度要素的情感倾向。 数据说明 数据集中的评价对象按照粒度不同划分为两个层次，层次一为粗粒度的评价对象，例如评论文本中涉及的服务，位置等要素；；层次二为细粒度的情感对象，例如“服务”属性中的“服务人员态度”，“排队等候时间”等细粒度要素。评价对象的具体

word2vec+lstm情感分析（三分类）+使用说明 使用方法： 1、修改 ../data/neg(消极）../data/pos(积极）../data/neutral(中立）训练数据 及 ../data/sum(测试数据）（本数据为我上网download数据库，是不同情感方向的评价数据。） 2、运行 ../lstm/lstm_train 并修改 参数列表 （建议只修改代码30-33行）及 （119行代码）x_train, x_test, y_train, y_test = train_test_split(combined, y, test_size=0.2) 此处0.2表示 train_data/test_data=1/5;（修改代码是为了提高lstm模型 accurancy 及 降低loss) 3、运行 ../lstm/lstm_test（该结果将存储在../result/result。xlsx 即为所求） 该模型优点：准确率较高； 缺点：损失函数较高；耗时长;处理大量数据时占用的内存较大

Deep Learning for Sentiment Analysis : A Survey（深度学习情感分析综述）

情绪分析 在 上通过微调 ， 或训练的情感分析神经网络。 安装要求 pip install numpy pandas torch transformers 使用我在s3上载的模型分析您的输入 python analyze.py 火车模型 python train.py --model_name_or_path bert-base-uncased --output_dir my_model --num_eps 2 支持bert-base-uncase，albert-base-v2，distilbert-base-uncase和其他类似模型。 评估您训练的模型 python evaluate.py

该数据集包括了四个领域的中文评论：笔记本电脑、汽车、相机和手机，评论属于 二分类 任务及正面或负面。可被用作于 自然语言处理 中情感分类任务