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

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》。

基于pytorch的RNN双向LSTM情感分析源码，pycharm运行，数据集下载地址http://ai.stanford.edu/~amaas/data/sentiment/，准确率85，注释非常全，适合入门学习

Deep_Learning_for_Aspect-Based_Sentiment_Analysis_A_Comparative_Review Hai Ha Do

Twitter的股票情绪 将GME Twitter情绪置于GME股票价格之上

kaggle 的 umich-sentiment-train.txt情感分析数据集

情感分类 情感分类 情感分类是分析一段文本并预测某人是否不喜欢他们在说的事情的任务。 输入：一段文字 输出：情绪 数据集 我正在使用进行模型训练，它包含两列 前处理 代币化 令牌化是将文本，短语，句子，文档分成较小的“块”或“令牌”的过程 例如： “嘿，好久不见了” 令牌： “嘿”，“有”，“长”，“时间”，“否”，“看到” 通过定位单词边界来创建较小的单位或令牌，单词边界是单词的终点和下一个单词的开头。 排序和填充 排序用于将我们的文本用作神经网络中的输入层 “嘿，那里”，“嘿，那里儿” [['1 2']，['1'，'2'，'3']] 进行填充以使向量输入具有相同的大小 [[1,2] [1,2,3] 语料库将具有不同大小的句子，如上面的示例所示。 进行填充以使其大小相同 [[0 1 2] [1 2 3] 模型 该模型架构是使用tf.keras.utils.plot

在云上进行情感分析的全面评估 Ashwin Nalwade，陈名喜。 科技栈 应用程序和数据：Python，Flask，Gunicorn，CSS，spaCy，PyTorch，Pandas，HuggingFace。 云：Paperspace的Google Cloud Platform（GCP），IBM Cloud，Gradient Cloud。 容器：Docker [Docker Hub]，Kubernetes，Google Kubernetes Engine。 跨平台比较 我们在3个不同的云平台上测试了不同的方法，并通过在GPU上运行时使用探查器来分析训练时间[历时平均值]，准确性和内存利用率[峰值]。 GPU详细信息[Colab Pro] Fri Nov 27 20:47:34 2020 +----------------------------------------------