情感分析相关汇总

情感分析

---

语音情感识别

语音情感识别的应用和挑战-云社区-华为云

---

句子or文档级别情感分析

情感分析技术在美团的探索与应用

Co-GAT:一种用于联合对话行为识别和情感分类的协同交互图注意力网络.pdf

---

情感词汇字典

大连理工大学中文情感词汇本体

   中文情感词汇本体库是大连理工大学信息检索研究室在林鸿飞教授的指导下经过全体教研室成员的努力整理和标注的一个中文本体资源。该资源从不同角度描述一个中文词汇或者短语，包括词语词性种类、情感类别、情感强度及极性等信息。

   中文情感词汇本体的情感分类体系是在国外比较有影响的Ekman的6大类情感分类体系的基础上构建的。在Ekman的基础上，词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感共分为7大类21小类。
1
2
3

情感词汇本体-词典-信息检索研究室

大连理工大学中文情感词汇本体.xlsx

中文情感词汇本体说明文档V1.doc

中文金融情感词典

该词典来自`姜富伟、孟令超、唐国豪，“媒体文本情绪与股票回报预测”，《经济学(季刊)》，2021年第4期，第1323-1344页`
1

https://github.com/MengLingchao/Chinese_financial_sentiment_dictionary

金融社交媒体数据应用的市场情绪词典

   NTUSD-Fin 为代币提供了多种评分方法，包括频率、CFIDF、卡方值、市场情绪评分和词向量。只有令牌出现了至少 10 次，并且通过卡方检验显示出预期频率和观察频率之间的显着差异，仍保留在我们的字典中。预定显着性水平为 0.05。市场情绪得分是通过从看涨的 PMI 中减去看跌的 PMI 来计算的。在构建的字典 NTUSD-Fin 中有 8,331 个单词、112 个主题标签和 115 个表情符号。
1

NTUSD-Fin

中文情感分析常用词典

https://github.com/Shimon-Guo/chinese_sentiment_dictionary

• 知网Hownet情感词典

  工作台 - Heywhale.com

• 清华大学李军中文褒贬义词典

• http://www.keenage.com/

• http://nlg.csie.ntu.edu.tw/nlpresource/NTUSD-Fin/

• http://nlp.csai.tsinghua.edu.cn/site2/index.php/13-sms

• https://bosonnlp.com/dev/resource

台湾大学NTUSD简体中文情感词典

工作台 - Heywhale.com

BosonNLP

BosonNLP情感词典是从微博、新闻、论坛等数据来源的上百万篇情感标注数据当中自动构建的情感极性词典。因为标注包括微博数据，该词典囊括了很多网络用语及非正式简称，对非规范文本也有较高的覆盖率。该情感词典可以用于构建社交媒体情感分析引擎，负面内容发现等应用。

在BosonNLP情感词典中，文本采用UTF-8进行编码，每行为一个情感词及其对应的情感分值，以空格分隔，共包括114767个词语。其中负数代表偏负面的词语，非负数代表偏正面的词语，正负的程度可以由数值的大小反应出。

数据下载 - BosonNLP

---

ABSA细腻度情感分析

• 涉及到多层面的情感要素识别，区分句子中对不同对象的不同情感

中科院深圳先进技术研究院 https://github.com/siat-nlp/JASM-for-ABSA

方面级别情感分析方法研究-杨敏

细粒度情感分析在到餐场景中的应用

相关比赛

【千言情感分析】SKEP句子级情感分析

【千言情感分析】SKEP句子级情感分析

相关博客或者论文

中文情感分析 (Sentiment Analysis) 的难点在哪？现在做得比较好的有哪几家？

中文情感分析 (Sentiment Analysis) 的难点在哪？现在做得比较好的有哪几家？

文本挖掘在商品评论中的应用研究——以烟草评论为例

文本挖掘在商品评论中的应用研究–以烟草评论为例

Twitter数据挖掘及其可视化

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vOcqggAe-1653556817847)(%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90%20064aeff684784906b35dd2054b31acca/Untitled.png)]

Twitter数据挖掘及其可视化

电子邮件情感分析机器人-stanford nlp

使用Stanford NLP构建电子邮件情感分析机器人 - 后端

Sentiment TreeBank 斯坦福结构依存情感分析演示

华为云细粒度文本情感分析及应用

华为云细粒度文本情感分析及应用_AI_DataFunTalk_InfoQ精选文章

使用BERT进行跨领域情感分析 Adversarial and Domain-Aware BERT for Cross-Domain Sentiment Analysis

• 研究方向： 通过源领域的标注数据对目标领域的无标注数据进行情感分类

• 跨领域情感分类：大都是通过抽取通用[不变的]的特征来进行分类

• 创新点：对抗训练+领域分类任务【领域感知】

• 中心思想：

     目标领域错误的期望值的上界由三部分构成：
  1

  (1) 源领域错误的期望值 （2）两个领域的差异 （3）一个常数。

  所以说，为了降低目标领域上的错误率，应该降低源领域上的错误率，并减少两个领域的差异。

Adversarial and Domain-Aware BERT for Cross-Domain Sentiment Analysis