该资料是2020年美赛C题题目，内涵亚马逊评论购物评级数据集合。数据格式为数据库格式。希望有需要的伙伴学习下载。
2022-01-22 15:21:01
5.09MB
1
亚马逊美食评论
Amazon Fine Food Reviews数据集包含568,454条亚马逊用户截至2012年10月的食品评论。
该分析的目的是建立一个预测模型，在此模型中，我们将能够预测推荐是肯定的还是否定的。 在此分析中，我们将不关注分数，而仅关注建议的积极/消极情绪。
涉及程序
该项目是关于文本数据使用的情感分析
nltk库，其中包括PorterStemmer（）和word_tokenize（），可将非结构化文本数据更改为结构化文本
使用countvectorizer（将文本文档的集合转换为令牌计数矩阵），TfidfTransformer（以缩小在给定语料库中频繁出现的令牌的影响，因此，从经验上讲，其信息量少于一小部分的功能）来自sklearn库的训练语料库以进行特征提取
朴素的贝叶斯（MultinomialNB，BernoulliNB）
逻辑回归
使用roc曲线，confc
2022-01-11 17:59:05
101KB
1
【Python爬虫实例学习篇】——5、【超详细记录】从爬取微博评论数据（免登陆）到生成词云
个人博客地址：ht/tps://www.asyu17.cn/
精彩部分提醒：
（1）微博评论页详情链接为一个js脚本
（2）获取js脚本链接需要该条微博的mid参数
（3）获取mid参数需要访问微博主页
（4）访问微博主页需要先进行访客认证
（5）微博主页几乎是由弹窗构成，所有html代码被隐藏在FM.view()函数的参数中，该参数是json格式
工具：
Python 3.6
requests 库
json 库
lxml 库
urllib 库
jieba 库（进行分词）
WordCloud 库（产生词
2021-12-28 01:38:49
3.65MB
1
IMDB_Sentiment_Analysis
鉴于大量的在线评论数据（Amazon，IMDB等），情绪分析变得越来越重要。 在这个项目中，建立了一个情感分类器，用于评估一段文字的极性是正还是负。 情感分析是在Keras随附的IMDB数据集上完成的。 它由25,000个训练样本（其中20％是验证样本）和25,000个测试样本组成。 数据集中的所有单词均已预先标记。 使用自训练的单词嵌入（Keras嵌入层）。 我训练了不同的模型，其中一个模型包含一个LSTM层。 它在10个时元上的准确度为84％。 第二个示例由两组Conv1D和MaxPooling1D图层组成，后面是标准GRU图层。 观察到85％的准确性。 我已经将CuDNN层用于LSTM和GRU，因为它们在GPU上的速度比标准LSTM和GRU层快得多。 所有实现都是使用Keras进行的。 另一个具有RMS Prop精度的示例为84％，而
2021-12-21 16:05:55
95KB
1