Forex_Sentiment_Analysis

词嵌入的情感分析 介绍 张量流中CNN和长期短期记忆方法的情感分析。 数据集 大电影eview数据集（有时称为IMDB数据集）中的电影评论。 在此任务中，给定电影评论，模型会尝试预测它是正面的还是负面的。 这是一个二进制分类任务。 下载资料 cd数据方向并运行以下命令。 tar -xvzf negativeReviews.tar.gz tar -xvzf positiveReviews.tar.gz 如何使用 train.py训练文件。 code_test.py测试文件。 test_one_review.py判断一项评论的情绪是积极的还是消极的。 其中npy文件： ://pan.baidu.com/s/1NgaZrA-XyA7HKHDdowHFDw提取码：n5ya

Sentiment Analysis情感分析——珍藏版

Chatbot_CN：基于金融-司法领域（兼有闲聊性质）的聊天机器人，其中的主要模块有信息抽取，NLU，NLG，知识图谱等，并利用Django整合了前端展示，目前已经封装了nlp和kg的restful接口

一共是2800首唐诗，情感标注为三类，-1为消极，0为中性，1为积极。由于是人工标注，与标注者的诗歌鉴赏水平有关，准确性有待验证。

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

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