令人惊叹的NLP情感分析

收集NLP领域相关的数据集、论文、开源实现，尤其是情感分析、情绪原因识别、评价对象和评价词抽取等方面。

:book: 论文与 :speak_no_evil: 代码

情感分析

1. 深度学习在情感分析中的应用：综述。 论文

情绪归因

1. 结合事件抽取与多核SVM的集成方法用于情绪原因检测。 论文

2. 基于语料库构建的事件驱动型情绪原因抽取。 论文

3. 基于问答的方法进行情绪原因抽取。 论文

4. 一种用于自动获取情绪原因抽取规则的自举法。 论文

5. 基于ECOCC模型的中文微博情绪原因检测。 论文

6. 利用语言结构进行情绪原因检测。 论文

7. 情绪原因抽取：一项具有挑战性的任务，同时涉及语料库构建。 论文

8. 从文本中提取情绪的原因。 论文

9. 基于E-CNN神经网络的情绪原因识别方法。 论文

10. 基于序列标注模型的情绪原因识别方法。 论文

11. 基于文本的情绪自动归因方法研究。 论文

12. 一种具有情感上下文感知能力的协同注意力神经网络模型用于情绪原因分析。 论文

13. 情绪—原因对抽取：文本情感分析中的新任务。 论文 代码

评价对象和评价词抽取

4. 利用循环神经网络和词嵌入进行细粒度观点挖掘。 论文 代码

5. 结合词性标注与词典的基于字符的BiLSTM-CRF模型用于中文观点对象抽取。 论文 代码

6. 一个用于观点对象抽取及目标情感预测的统一模型。 论文 代码

7. 评价对象抽取研究综述。 论文

8. 使用深度长短时记忆模型对于评价词和评价对象的联合抽取。 论文

9. 基于语义和句法依存特征的评论对象抽取研究。 论文

10. 基于条件随机场的评价对象缺省项识别。 论文

11. 基于CRFs和领域本体的中文微博评价对象抽取研究。 论文

12. 基于微博的情感倾向性分析方法研究。 论文

13. 基于迭代两步CRF模型的评价对象与极性抽取研究。 论文

14. 基于句法特征的评价对象抽取方法研究。 论文

15. 基于层叠CRFs的中文句子评价对象抽取。 论文

16. 评价对象及其倾向性的抽取和判别。 论文

17. 基于非完备信息系统的评价对象情感聚类。 论文

18. 基于CRFs的评价对象抽取特征研究。 论文

19. 基于核心句及句法关系的评价对象抽取。 论文

20. 面向特定领域的产品评价对象自动识别研究。 论文

21. 评价对象抽取及其倾向性分析。 论文

22. 利用深度卷积神经网络进行观点挖掘中的方面抽取。 论文

23. 用于基于方面的情感分析的递归神经条件随机场。 论文

24. 用于方面与观点术语联合抽取的耦合多层注意力机制。 论文

:floppy_disk: 数据集

评价对象和评价词抽取

• SemEval-2014任务4

• 中文微博情感分析测评数据

• 百度、马蜂窝和大众点评数据集

• 情感原因对数据集

awesome-nlp-sentiment-analysis 快速上手指南

awesome-nlp-sentiment-analysis 并非一个单一的 Python 包或可执行工具，而是一个资源汇总列表（Awesome List），汇集了情感分析、情绪原因识别及评价对象抽取领域的论文、代码实现和数据集。

本指南将指导开发者如何利用该列表中的资源，快速搭建环境并运行其中提供的开源代码示例。

环境准备

在开始之前，请确保您的开发环境满足以下基本要求。由于列表中包含多个不同的项目（如 ECPE, E2E-TBSA 等），建议为每个项目单独创建虚拟环境。

系统要求

• 操作系统: Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (需 WSL2)
• Python 版本: 3.6 - 3.9 (大多数 NLP 深度学习项目在此范围内兼容最好)
• GPU (可选): 若需训练大型模型，建议配备 NVIDIA GPU 并安装 CUDA Toolkit

前置依赖

• Git: 用于克隆代码仓库
• pip 或 conda: 包管理工具
• PyTorch 或 TensorFlow: 根据具体子项目的要求安装（列表中多数最新项目基于 PyTorch）

安装步骤

由于该仓库是资源索引，您需要选择具体的子项目进行安装。以下以列表中热门的 情绪原因对抽取 (ECPE) 项目为例进行演示。

1. 克隆目标项目代码

从列表中选择一个带有 [code] 链接的项目，例如 Emotion-Cause Pair Extraction：

git clone https://github.com/NUSTM/ECPE.git
cd ECPE

2. 创建虚拟环境

推荐使用 conda 或 venv 隔离环境：

# 使用 conda (推荐)
conda create -n nlp-sa python=3.7
conda activate nlp-sa

# 或使用 venv
python -m venv venv
source venv/bin/activate  # Windows 用户请使用: venv\Scripts\activate

3. 安装依赖库

进入项目目录后，通常会有 requirements.txt 文件。为确保下载速度，建议使用国内镜像源（如清华源）。

# 安装 PyTorch (根据是否有 GPU 选择，此处以 CPU 版本为例，GPU 版本请访问 pytorch.org)
pip install torch torchvision torchaudio -i https://pypi.tuna.tsinghua.edu.cn/simple

# 安装项目其他依赖
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

注意：如果该项目没有 requirements.txt，请参考其 README 手动安装 numpy, scikit-learn, transformers 等常用库。

4. 准备数据集

根据列表中的 Dataset 部分下载所需数据。以 ECPE 项目为例：

# 创建数据目录
mkdir data

# 手动下载列表中提供的 "情感原因对数据集" 并放入 data 目录
# 链接：https://github.com/NUSTM/ECPE/tree/master/data_combine
# 下载后解压至 data/ 文件夹内

基本使用

以下展示如何运行已安装的 ECPE 项目进行简单的推理或测试。不同项目的启动命令略有差异，请以具体项目的 README 为准。

运行测试/评估

在 ECPE 项目目录下，通常使用以下命令运行预训练模型或开始训练：

# 运行测试脚本 (示例命令，具体参数参考项目文档)
python main.py --mode test --data_dir ./data

# 或者运行训练脚本
python main.py --mode train --data_dir ./data

调用其他资源

对于列表中仅提供论文链接而无代码的项目（如部分早期研究），您可以：

1. 阅读论文复现思路。
2. 使用 Hugging Face Transformers 库快速构建类似模型。

# 示例：使用 Hugging Face 快速加载一个中文情感分析模型
from transformers import pipeline

# 加载中文情感分析管道
classifier = pipeline("sentiment-analysis", model="uer/roberta-base-finetuned-jd-binary-chinese")

# 简单推理
result = classifier("这家餐厅的味道非常好，但是服务太慢了。")
print(result)

获取数据集

您可以直接从本仓库整理的列表中下载通用数据集用于自己的实验：

• SemEval-2014 Task 4: 访问链接
• 中文客户评论数据集 (百度/马蜂窝/大众点评):

  git clone https://github.com/lsvih/chinese-customer-review.git
  

通过以上步骤，您即可利用 awesome-nlp-sentiment-analysis 中的资源开展情感分析相关的研究与开发工作。