awesome sentiment analysis

???? Awesome Dentiment Analysis ????

Liste organisée des méthodes d'analyse des sentiments, des implémentations et des divers.

L'analyse des sentiments est le domaine d'étude qui analyse les opinions, les sentiments, les évaluations, les attitudes et les émotions des langues écrites. (Liu 2012)

Contenu

• Contenu
• Objectif
• Introduction
• Documents d'enquête
• Systèmes de base
• Ressources et corpus
• Implémentations open source
  • Nodejs
  • Java
  • Python
  • R
  • Golang
  • Rubis
  • Csharp
• API SaaS
• Applications Web
• Contributif

Objectif

Le but de ce référentiel est de fournir des liens adéquats aux chercheurs qui souhaitent rechercher dans ce domaine; Et en même temps, être suffisamment accessible pour les développeurs qui souhaitent intégrer l'analyse des sentiments dans leurs applications.

Introduction

L'analyse des sentiments se produit à différents niveaux:

• L'analyse des sentiments au niveau du document évalue le sentiment d'une seule entité (c'est-à-dire un produit) à partir d'un document d'examen.
• L'analyse du sentiment au niveau de la phrase évalue le sentiment d'une seule phrase.
• L'analyse des sentiments au niveau de l'aspect effectue une analyse plus fine. Par exemple, la phrase «La qualité d'appel de l'iPhone est bonne, mais sa durée de vie de la batterie est courte.» Évalue deux aspects: la qualité des appels et la durée de vie de la batterie, de l'iPhone (entité). Le sentiment de la qualité des appels de l'iPhone est positif, mais le sentiment de la durée de vie de sa batterie est négatif. (Liu 2012)

Des recherches les plus récentes se concentrent sur les approches basées sur les aspects. Mais toutes les implémentations d'OpenSource ne sont pas encore rattrapées.

Il existe de nombreuses approches différentes pour résoudre le problème. Les méthodes lexicales, par exemple, regardent la fréquence des mots exprimant un sentiment positif et négatif (de IE SentiwordNet) se produisant dans la phrase donnée. L'apprentissage automatique supervisé, tel que Naive Bayes et Support Vector Machine (SVM), peut être utilisé avec les données de formation. Étant donné que les exemples de formation sont difficiles à obtenir, l'apprentissage automatique non supervisé, tel que l'allocation de Dirichlet latente (LDA) et les incorporations de mots (Word2Vec), sont également utilisées sur de grands ensembles de données non marqués. Les travaux récents appliquent également des méthodes d'apprentissage en profondeur telles que le réseau neuronal convolutionnel (CNN) et la mémoire à court terme (LSTM), ainsi que leurs variantes basées sur l'attention. Vous trouverez plus de détails dans les documents d'enquête.

Documents d'enquête

Liu, Bing. "Analyse des sentiments et exploitation d'opinions." Conférences de synthèse sur les technologies du langage humain 5.1 (2012): 1-167. [PDF]

Vinodhini, G., et RM Chandrasekaran. "Analyse des sentiments et exploitation d'opinions: une enquête." Journal international 2.6 (2012): 282-292. [PDF]

Medhat, Walaa, Ahmed Hassan et Hoda Korashy. "Algorithmes et applications d'analyse des sentiments: une enquête." Ain Shams Engineering Journal 5.4 (2014): 1093-1113. [PDF]

Systèmes de base

Wang, Sida et Christopher D. Manning. "Bâlines et bigrams: simple, bon sentiment et classification du sujet." Actes de la 50e réunion annuelle de l'Association for Computational Linguistics: Short Papers-Volume 2. Association for Computational Linguistics, 2012. [PDF]

Cambria, Erik, Daniel Olsher et Dheeraj Rajagopal. "Senticnet 3: une base de connaissances commune et commune pour l'analyse des sentiments axée sur la cognition." Actes de la vingt-huitième conférence AAAI sur l'intelligence artificielle. AAAI Press, 2014. [PDF]

Ressources et corpus

Afinn: Liste des mots anglais évalués pour Valence [Web]

SentiWordNet: ressource lexicale conçue pour la prise en charge de l'analyse des sentiments. [Web] [Paper]

GLANT: Algorithme pour obtenir des vecteurs de mots. Vecteurs de mots pré-entraînés disponibles en téléchargement [web] [papier]

SEMEVAL14-TASK4: Aspects annotés et sentiments des ordinateurs portables et critiques de restaurants. [Web] [Paper]

Stanford Sentiment Treebank: ensemble de données de sentiment avec annotations de sentiment à grain fin [Web] [papier]

Lexique multidimensionnel pour la galise interpersonnelle [Web] [papier]

Implémentations open source

Les caractéristiques de chaque implémentation sont décrites.

Couches : Un problème clé dans l'analyse des sentiments est sa sensibilité au domaine à partir duquel les données d'entraînement proviennent, soit sur laquelle un lexique de sentiment est construit. [♠] Soyez prudent en supposant que les implémentations standard fonctionneront pour votre problème, assurez-vous d'examiner les hypothèses du modèle et de valider si elles sont exactes sur votre propre domaine [♦].

Nodejs

Thisandagain / Sentiment: Lexical, basé sur le dictionnaire, basé sur AFINN.

Thinkroth / Sentimental Lexical, basé sur le dictionnaire, basé sur AFINN.

Java

LingPipe: Lexical, basé sur le corpus, l'apprentissage automatique supervisé

Corenlp: apprentissage automatique supervisé, apprentissage en profondeur

ASUM: apprentissage automatique non supervisé, allocation latente Dirichlet. [papier]

Python

NLTK: VADER Sentiment Analysis Tool, lexical, basé sur le dictionnaire, basé sur des règles. [papier]

Vivekn / Sentiment: Apprentissage automatique supervisé, classificateur naïf de Bayes. [papier]

Xiaohan2012 / Twitter-Sent-DNN: Apprentissage automatique supervisé, apprentissage en profondeur, réseau neuronal convolutionnel. [papier]

Abdulfatir / Twitter-Sentiment-Analysis: Analyse des sentiments sur les tweets à l'aide de Bayes naïfs, SVM, CNN, LSTM, etc.

KevincoBain2000 / Sentiment_Classifier: Apprentissage automatique supervisé, classificateur naïf de Bayes, classificateur d'entropie max, SentiWordNet.

PEDROBALAGE / SEMEVALASPECTBASEDENTIMENTALYSYSYSE: Aspect basé sur l'apprentissage automatique supervisé, champ aléatoire conditionnel.

GANESHJAWAHAR / MEM_ABSA: Apprentissage automatique supervisé basé sur des aspects, apprentissage en profondeur, mémoire basée sur l'attention et externe. [papier]

Openai / Génération-Revue-Discover-Sentiment: Deep Learning, Byte Mlstm [Paper]

Yiyang-GT / Social-Atention: Deep Learning, basé sur l'attention. Utilise la position des auteurs dans le réseau social pour aider l'analyse des sentiments. [papier].

ThunLP / NSC: Learning Learning, basé sur l'attention. Utilise des informations sur l'utilisateur et la production. [Papier].

R

Timjurka / Sentiment: Apprentissage automatique supervisé, classificateur naïf de Bayes.

Golang

CDIPAOLO / Sentiment: Apprentissage automatique supervisé, classificateur naïf de Bayes. Basé sur CDIPAOLO / GOML.

Rubis

Malavbhavsar / Sentimentalizer: Lexical, basé sur le dictionnaire.

7compass / Sentimental: Lexical, basé sur le dictionnaire.

Csharp

Amrish7 / Dragon: Apprentissage automatique supervisé, classificateur naïf de Bayes.

API SaaS

• API de langue naturelle de Google Cloud [Web]
• Langue d'alchimie IBM Watson [Web]
• Microsoft Cognitive Service [Web]
• Aylien [Web]
• Indico [web]
• API de rosette [Web]

Applications Web

• Textalytique [web]

Contributif

?? Tout d'abord, merci d'avoir pris le temps de contribuer! ??

Étapes pour contribuer:

• Faites vos superbes changements
• Soumettre la demande de traction; Si vous ajoutez une nouvelle entrée, veuillez expliquer très brèves pourquoi vous pensez que cela devrait être ajouté.