基于餐饮评论数据的情感分析（主要涉及到短文分类，分别使用朴素贝叶斯、支持向量机、Xgboost 进行情感值的二分类） 本文主要通过情感分析来挖掘评论中有价值的信息。 获取所研究数据，即大众点评餐饮评论数据，通过分词去除停用词、词性标注等操作进行数据预处理，然后通过机器学习的方法来分析餐饮评论的情感极性，来进一步挖掘评论中有价值的信息。 使用python的结巴分词工具对中文文本进行分词。可用TF-IDF、词袋方法提取文本数据的特征。然后使用机器学习的方法进行文本分类，可以运用朴素贝叶斯（NB）、支持向量机（SVM）、随机森林等算法。查询了资料，考虑了速度、容错性、变量筛选能力、共性容忍度等因素，初步设想选用SVM算法。 ===》SVM算法优于NB 优于随机森林

马蜂窝旅游数据，包括酒店、美食、景点的评论数据以及游记数据 仅用在输入目的地或者关键词可以爬取关于目的地的所有酒店评论、美食评论、以及景点自身评论等数据以及游记数据 具体数据 酒店评论、美食评论、以及景点自身评论： 评论用户、评论用户ID、用户等级、评论内容、评论有用性、评论时间等等 游记内容： 游记地址、浏览量、评论量、游记内容、游玩时间、游玩天数、同行人等等

有关于汽车评论的数据集，具体代码实现与数据处理操作参见我的博文https://blog.csdn.net/Wenweno0o/article/details/90522739

网易云音乐评论爬虫，Python爬取的100万网易云评论，涵盖用户信息，评论时间等，可做研究用，懂得取

两表中的数据共包含应用数据10841行，评论数据64163行。 APP数据表包含列：软件名、软件类别、评分、评论数、软件大小、安装数、收费类型、价格、类型标签、最近更新日期、当前版本号、安卓版本号（系统最低要求）。 评论数据表包含列：软件名、评论内容、情感倾向、情感极性、情感主体性。

该评论数据，包含了六个领域（书籍、酒店、计算机、牛奶、手机、热水器）的评论数据，源自于各个电商平台.

经多个数据集整理而成，可直接用于训练的商品好评差评数据集，含一下分类：零食,书籍,计算机,手机数码,热水器,酒店,手机,洗发水,牛奶,衣服,平板,水果,公共有6.8w条

该数据集为3K条京东购物手机商品评论的相关数据，具体列包括了用户评论内容、时间、用户昵称等。

每条数据包含观众ID、观众昵称、城市、评论内容、评分和评论时间

题目3: 电商产品评论数据情感分析 数据数据 数据 随着网上购物的流行，人们对于网上购物的需求越来越高。了解更过消费者的心声对于电商平台来说也变得越来越有必要，其中非常重要的方式就是对消费者的文本评论数据进行内在信息的数据挖掘分析。