1.“中文情感分析用词语集”，现包含如下6个子文件：“正面情感”词语，如：爱，赞赏，快乐，感同身受，猎奇，喝彩，魂牵梦萦，嘉许...“负面情感”词语，如：哀伤，半信半疑，鄙视，不满意，不是滋味儿，后悔，大失所望...“正面评价”词语，如：不可或缺，部优，才高八斗，沉鱼落雁，催人奋进，动听，对劲儿...“负面评价”词语，如：丑，苦，超标，华而不实，荒凉，混浊，畸轻畸重，价高，空洞无物...“程度级别”词语，“主张”词语2.“英文情感分析用词语集”；
现包含词语8945，其中包括如下6个子文件：“正面情感”词语，如：happy，bejealous，admiration，consent，welcome，lookforwardto...“负面情感”词语，如：defy，disappointed，fear，criticize，regret，pullalongface...“正面评价”词语，如：good-looking,high-quality，effective，tranquility，safeandsound...“负面评价”词语，如：grotesqueness，inferior，expensive，expensively，brutal，false，gawky，low...“程度级别”词语，“主张”词语
现包含词语8945，其中包括如下6个子文件：“正面情感”词语，如：happy，bejealous，admiration，consent，welcome，lookforwardto...“负面情感”词语，如：defy，disappointed，fear，criticize，regret，pullalongface...“正面评价”词语，如：good-looking,high-quality，effective，tranquility，safeandsound...“负面评价”词语，如：grotesqueness，inferior，expensive，expensively，brutal，false，gawky，low...“程度级别”词语，“主张”词语
2023/3/16 11:41:24
88KB
1
为了将情感信息融入到词向量中，本文第一部分工作提出了两个情感词向量学习框架，即，基于谷歌提出的Ｓｋｉｐ－ｇｒａｍ模型的框架和基于卷积神经网络模型的框架。
在每个框架中，根据情感和语义信息融合策略的不同，我们又分别提出Ｈ个具体模型。
为了验证学习得到的情感词向量能否包含语义和情感信息，本文分别在不同语言、不同领域的多个数据集下进行了大量定性和定量的比较实验。
这部分相关工作分别发表在２０１５年ＩＡＬＰ会议和２０１６年ＩＪＣＮＮ会议
在每个框架中，根据情感和语义信息融合策略的不同，我们又分别提出Ｈ个具体模型。
为了验证学习得到的情感词向量能否包含语义和情感信息，本文分别在不同语言、不同领域的多个数据集下进行了大量定性和定量的比较实验。
这部分相关工作分别发表在２０１５年ＩＡＬＰ会议和２０１６年ＩＪＣＮＮ会议
2023/3/14 22:36:39
4.63MB
1
本系统是基于svm训练得到的分类器，代码包含了数据集的预处理和模型训练，对给定测试集进行测试，并根据已有标签计算精确度。
代码内有详细注释，下载即可运行。
如有疑问可联系
代码内有详细注释，下载即可运行。
如有疑问可联系
2023/3/10 18:20:42
131.31MB
1
hownet+ntusd+python情感分析代码，一份积分三份资源。
两份词典与csdn中下载的词典是相同的。
情感分析代码加过正文很容易理解，调整文件路径名称就可以直接使用。
两份词典与csdn中下载的词典是相同的。
情感分析代码加过正文很容易理解，调整文件路径名称就可以直接使用。
2023/3/9 0:32:38
181KB
1
elp希望更多的学生利用这些数据，在研究中想出创新性方法，他们也提供了目前感兴味的一些主题。
一是图片分类。
目前他们虽然能识别出图片中类似于汉堡之类的食物，但是如何评价一张图片是否好看还有待研究。
二是自然语言处理和情感分析。
用户评价数据里有很多能挖掘的元数据，可以用于推断语义、商户属性和情感。
他们想知道评价里表达了什么，是好评还是差评。
三是图像挖掘。
比如说挖掘出用户之间的关系是如何限定他们的使用规律，流行趋势的引导者在一家店火起来之前都是去哪儿吃饭的。
一是图片分类。
目前他们虽然能识别出图片中类似于汉堡之类的食物，但是如何评价一张图片是否好看还有待研究。
二是自然语言处理和情感分析。
用户评价数据里有很多能挖掘的元数据，可以用于推断语义、商户属性和情感。
他们想知道评价里表达了什么，是好评还是差评。
三是图像挖掘。
比如说挖掘出用户之间的关系是如何限定他们的使用规律，流行趋势的引导者在一家店火起来之前都是去哪儿吃饭的。
2023/2/23 21:03:24
49B
1
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至关重要的价值，并且在互联网行业有极其广泛的应用，次要用于个性化推荐、智能搜索、产品反馈、业务安全等。
本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。
参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。
本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。
参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。
2023/2/23 12:41:35
8.83MB
1
完整可运行的python代码。
数据过滤，清洗，分割，特征选择，训练词向量模型，测试等等，每行都有正文，真实的数据集超过20w条，是个不错的nlp入门例子。
数据过滤，清洗，分割，特征选择，训练词向量模型，测试等等，每行都有正文，真实的数据集超过20w条，是个不错的nlp入门例子。
2020/10/20 5:30:22
79.61MB
1
在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。
每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。
另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。
为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。
2024-04-09 15:03
15KB