awesome sentiment analysis

???? Tolle Sentiment -Analyse ????

Kuratierte Liste der Stimmungsanalysemethoden, Implementierungen und Misc.

Die Stimmungsanalyse ist das Studiengebiet, in dem die Meinungen, Gefühle, Bewertungen, Einstellungen und Emotionen der Menschen aus schriftlichen Sprachen analysiert werden. (Liu 2012)

Inhalt

• Inhalt
• Objektiv
• Einführung
• Umfragepapiere
• Basissysteme
• Ressourcen und Korpora
• Open Source -Implementierungen
  • Nodejs
  • Java
  • Python
  • R
  • Golang
  • Rubin
  • CSHARP
• Saas apis
• Web -Apps
• Beitragen

Objektiv

Ziel dieses Repositorys ist es, Wissenschaftlern, die in diesem Bereich recherchieren möchten, angemessene Links bereitzustellen. Gleichzeitig sind für Entwickler ausreichend zugänglich, die die Stimmungsanalyse in ihre Anwendungen integrieren möchten.

Einführung

Die Stimmungsanalyse erfolgt auf verschiedenen Ebenen:

• Sentimentanalyse auf Dokumentebene bewerten die Stimmung einer einzigen Entität (dh ein Produkt) aus einem Überprüfungsdokument.
• Die Sentimentanalyse auf Satzebene bewerten die Stimmung aus einem einzigen Satz.
• Die Analyse der Sentiments auf Aspektebene führt eine feiner-Korn-Analyse durch. Zum Beispiel ist der Satz "Die Anrufqualität des iPhone ist gut, aber seine Akkulaufzeit ist kurz." Bewertet zwei Aspekte: Aufrufen von Qualität und Akkulaufzeit des iPhone (Entität). Das Gefühl der Anrufqualität des iPhone ist positiv, aber das Gefühl für die Akkulaufzeit ist negativ. (Liu 2012)

Die jüngste Forschung konzentriert sich auf die Aspekt-basierten Ansätze. Aber noch nicht alle OpenSource -Implementierungen sind erwischt.

Es gibt viele verschiedene Ansätze, um das Problem zu lösen. LEXICAL -Methoden untersuchen beispielsweise die Häufigkeit von Wörtern, die eine positive und negative Stimmung (von IE sentiWordnet) ausdrücken, die im gegebenen Satz auftreten. Mit Trainingsdaten können beaufsichtigtes maschinelles Lernen wie naive Bayes und Support Vector Machine (SVM) verwendet werden. Da Schulungsbeispiele schwer zu erhalten sind, werden auch auf großen, nicht beliebigen Datensätzen auch unbeaufsichtigtes maschinelles Lernen wie latent Dirichlet Allocation (LDA) und Wort -Einbettungen (Word2VEC) verwendet. Jüngste Arbeiten wenden auch Deep-Lern-Methoden an, wie z. B. Faltungsnetzwerk (CNN) und langes Kurzzeitgedächtnis (LSTM) sowie deren aufmerksamkeitsbasierte Varianten. Weitere Details finden Sie in den Umfragepapieren.

Umfragepapiere

Liu, Bing. "Stimmungsanalyse und Meinungsabbau." Synthesevorlesungen über Technologien der menschlichen Sprache 5.1 (2012): 1-167. [PDF]

Vinodhini, G. und RM Chandrasekaran. "Stimmungsanalyse und Meinungsabbau: Eine Umfrage." International Journal 2.6 (2012): 282-292. [PDF]

Medhat, Walaa, Ahmed Hassan und Hoda Korashy. "Algorithmen und Anwendungen für Stimmungsanalyse: Eine Umfrage." Ain Shams Engineering Journal 5.4 (2014): 1093-1113. [PDF]

Basissysteme

Wang, Sida und Christopher D. Manning. "Baselines und Bigrams: Einfaches, gutes Gefühl und Themenklassifizierung." Verfahren der 50. Jahrestagung des Vereins für Computer-Linguistik: Kurzpapiere-Volumen 2. Assoziation für Computer-Linguistik, 2012. [PDF]

Cambria, Erik, Daniel Olsher und Dheeraj Rajagopal. "Senticnet 3: Eine gemeinsame und vernünftige Wissensbasis für die kognitionsgetriebene Stimmungsanalyse." Verfahren der achtundzwanzigsten AAAI-Konferenz über künstliche Intelligenz. AAAI Press, 2014. [PDF]

Ressourcen und Korpora

Afinn: Liste der englischen Wörter, die für Valenz [Web] bewertet wurden

SentiWordnet: Lexikalische Ressource für die Unterstützung der Stimmungsanalyse entwickelt. [Web] [Papier]

Handschuh: Algorithmus zum Erhalten von Wortvektoren. Vorbereitete Wortvektoren zum Download [Web] [Papier] zur Verfügung stehen

SEMEVAL14-TASK4: Annotierte Aspekte und Gefühle von Laptops und Restaurants. [Web] [Papier]

Stanford Sentiment Treebank: Sentiment-Datensatz mit feinkörnigen Anmerkungen [Web] [Papier]

Mehrdimensionales Lexikon für zwischenmenschliche Stanze [Web] [Papier]

Open Source -Implementierungen

Die Merkmale jeder Implementierung werden beschrieben.

Vorbehalte : Ein wichtiges Problem in der Stimmungsanalyse ist die Empfindlichkeit gegenüber der Domäne, aus der entweder Trainingsdaten bezogen werden oder auf dem ein Stimmungslexikon gebaut wird. [♠] Seien Sie vorsichtig, wenn man davon ausgeht, dass implementierende Implementierungen für Ihr Problem funktionieren, sollten Sie sich die Modellannahmen ansehen und validieren, ob sie in Ihrer eigenen Domäne korrekt sind [♦].

Nodejs

Thisandagain/Sentiment: Lexikal, Wörterbuch basiert, AFINN-basiert.

Thinkroth/Sentimental lexikalisch, Wörterbuchbasiert, AFINN-basiert.

Java

Lingpipe: lexikalisches, korpusbasiertes, überwachtes maschinelles Lernen

Corenlp: Übersichtliches maschinelles Lernen, tiefes Lernen

ASUM: unbeaufsichtigtes maschinelles Lernen, latente Dirichlet -Allokation. [Papier]

Python

NLTK: Vader Sentiment Analysis Tool, lexikalische, wörterbuchbasierte, regelbasierte. [Papier]

Vivekn/Sentiment: Übersichtliches maschinelles Lernen, Naive Bayes -Klassifikator. [Papier]

Xiaohan2012/Twitter-Sent-DNN: Überwachendes maschinelles Lernen, Deep Learning, Faltungs-neuronales Netzwerk. [Papier]

Abdulfatir/Twitter-Sentiment-Analyse: Stimmungsanalyse auf Tweets mit naiver Bayes, SVM, CNN, LSTM usw.

Kevincobain2000/Sentiment_Classifier: Überwachung maschinelles Lernen, Naive Bayes -Klassifizierer, Max Entropy -Klassifizierer, SentiWordnet.

Pedrobalage/SemevalaspectBasedSentimentanalyse: Aspektbasierte, überwachte maschinelles Lernen, bedingte Zufallsfeld.

Ganeshjawahar/mem_absa: Aspektbasierte, überwachte maschinelles Lernen, tiefes Lernen, aufmerksamkeitsbasiertes, externes Gedächtnis. [Papier]

OpenAI/Generating-Reviews-Entdeckungssentiment: Deep Learning, Byte MLSTM [Papier]

Yiyang-GT/Sozialbeachtung: Tiefes Lernen, aufmerksamkeitsbasiert. Verwendet die Position der Autoren im sozialen Netzwerk zur Analyse der AIDE -Sentiment. [Papier].

Thunlp/NSC: Deep Learning, aufmerksamkeitsbasiert. Verwendet Benutzer- und Produktionsinformationen. [Papier].

R

Timjurka/Sentiment: Überwachung maschinelles Lernen, naiver Bayes -Klassifikator.

Golang

CDipaolo/Sentiment: Überwachung maschinelles Lernen, naiver Bayes -Klassifikator. Basierend auf CDipaolo/GOML.

Rubin

Malavbhavsar/Sentimentalizer: Lexikal, Wörterbuch.

7Compass/Sentimental: Lexikal, Wörterbuch.

CSHARP

Amrish7/Dragon: Überwachung maschinelles Lernen, Naive Bayes -Klassifikator.

Saas apis

• Google Cloud Natural Language API [Web]
• IBM Watson Alchemy Sprache [Web]
• Microsoft Cognitive Service [Web]
• Aylien [Web]
• Indico [Web]
• Rosette -API [Web]

Web -Apps

• Textalytisch [Web]

Beitragen

? Zunächst einmal danke, dass Sie sich die Zeit genommen haben, um einen Beitrag zu leisten! ?

Schritte zum Beitrag:

• Nehmen Sie Ihre großartigen Änderungen vor
• Pull -Anfrage senden; Wenn Sie einen neuen Eintrag hinzufügen, geben Sie bitte eine sehr kurze Erklärung an, warum Sie glauben, dass er hinzugefügt werden sollte.