[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-haiker2011--awesome-nlp-sentiment-analysis":3,"tool-haiker2011--awesome-nlp-sentiment-analysis":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",159636,2,"2026-04-17T23:33:34",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":79,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":85,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":93,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":103},8837,"haiker2011\u002Fawesome-nlp-sentiment-analysis","awesome-nlp-sentiment-analysis",":book: 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方面。","awesome-nlp-sentiment-analysis 是一个专为自然语言处理（NLP）领域打造的精选资源库，重点聚焦于情感分析、情绪原因识别以及评价对象与评价词的抽取。它系统地整理了该方向的高质量数据集、前沿学术论文及开源代码实现，旨在解决研究人员和开发者在探索细粒度情感计算时面临的资料分散、复现困难等痛点。\n\n无论是希望快速了解领域全貌的初学者，还是致力于攻克“情绪为何产生”或“具体评价了什么”等复杂任务的资深专家，都能从中获益。该资源库的独特亮点在于其覆盖的深度与广度：不仅收录了基于深度学习的情感分析综述，更详细梳理了从传统机器学习到最新神经网络模型在情绪归因方面的多种技术路线，并提供了针对中文微博等特定场景的评价对象抽取方案。通过整合理论研究与工程代码，awesome-nlp-sentiment-analysis 为用户搭建了一座连接学术创新与实际应用的桥梁，是从事文本挖掘、舆情分析及对话系统开发人员的必备参考指南。","# awesome-nlp-sentiment-analysis\n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。\n\n# :book: Papers & :speak_no_evil: Codes\n\n## 情感分析\n\n1. **Deep Learning for Sentiment analysis: A Survey.**\n[paper](https:\u002F\u002Farxiv.org\u002Fftp\u002Farxiv\u002Fpapers\u002F1801\u002F1801.07883.pdf)\n\n## 情绪归因\n\n1. **An Ensemble Approach for Emotion Cause Detection with Event Extraction and Multi-Kernel SVMs.** \n[paper](https:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?tp=&arnumber=8195347)\n\n2. **Event-Driven Emotion Cause Extraction with Corpus Construction.**\n[paper](http:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD16-1170)\n\n3. **A Question Answering Approach to Emotion Cause Extraction.** \n[paper](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD17-1167)\n\n4. **A Bootstrap Method for Automatic Rule Acquisition on Emotion Cause Extraction.**\n[paper](http:\u002F\u002Fsentic.net\u002Fsentire2017yada.pdf)\n\n5. **Emotion Cause Detection for Chinese Micro-Blogs Based on ECOCC Model.**\n[paper](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-18032-8_1)\n\n6. **Emotion Cause Detection with Linguistic Constructions.**\n[paper](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-662-45924-9_42)\n\n7. **Emotion Cause Extraction, A Challenging Task with Corpus Construction.**\n[paper](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-981-10-2993-6_8)\n\n8. **Extracting Causes of Emotions from Text.**\n[paper](http:\u002F\u002Faclweb.org\u002Fanthology\u002FI13-1121)\n\n9. **基于E-CNN神经网络的情绪原因识别方法.**\n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002FY2018\u002FV32\u002FI2\u002F120)\n\n10. **基于序列标注模型的情绪原因识别方法.**\n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1756.shtml)\n\n11. **基于文本的情绪自动归因方法研究.**\n[paper](http:\u002F\u002Fcdmd.cnki.com.cn\u002FArticle\u002FCDMD-10213-1015979471.htm)\n\n12. **A Co-Attention Neural Network Model for Emotion Cause Analysis with Emotional Context Awareness.**\n[paper](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD18-1506.pdf)\n\n13. **Emotion-Cause Pair Extraction: A New Task to Emotion Analysis in Texts.**\n[paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.01267.pdf)\n[code](https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE)\n\n## 评价对象和评价词抽取\n\n4. **Fine-grained Opinion Mining with Recurrent Neural Networks and Word Embeddings.** \n[paper](https:\u002F\u002Fpdfs.semanticscholar.org\u002F8208\u002F43544be57efa903ce14d6967b0eeafd6a7ed.pdf) \n[code](https:\u002F\u002Fgithub.com\u002Fpdsujnow\u002Fopinion-target)\n\n5. **Character-based BiLSTM-CRF Incorporating POS and Dictionaries for Chinese Opinion Target Extraction.** \n[paper](http:\u002F\u002Fproceedings.mlr.press\u002Fv95\u002Fli18d\u002Fli18d.pdf) \n[code](https:\u002F\u002Fgithub.com\u002Fkdsec\u002Fchinese-opinion-target-extraction)\n\n6. **A Unified Model for Opinion Target Extraction and Target Sentiment Prediction.**\n[paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.05082)\n[code](https:\u002F\u002Fgithub.com\u002Flixin4ever\u002FE2E-TBSA)\n\n7. **评价对象抽取研究综述.** \n[paper](http:\u002F\u002Fwww.aas.net.cn\u002FCN\u002F10.16383\u002Fj.aas.2017.c170049)\n\n8. **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.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2522.shtml)\n\n9. **基于语义和句法依存特征的评论对象抽取研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2585.shtml)\n\n10. **基于条件随机场的评价对象缺省项识别.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2317.shtml)\n\n11. **基于CRFs和领域本体的中文微博评价对象抽取研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2260.shtml)\n\n12. **基于微博的情感倾向性分析方法研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract229.shtml)\n\n13. **基于迭代两步CRF模型的评价对象与极性抽取研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract53.shtml)\n\n14. **基于句法特征的评价对象抽取方法研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract172.shtml)\n\n15. **基于层叠CRFs的中文句子评价对象抽取.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1718.shtml)\n\n16. **评价对象及其倾向性的抽取和判别.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1633.shtml)\n\n17. **基于非完备信息系统的评价对象情感聚类.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1634.shtml)\n\n18. **基于CRFs的评价对象抽取特征研究.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1588.shtml)\n\n19. **基于核心句及句法关系的评价对象抽取.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1478.shtml)\n\n20. **面向特定领域的产品评价对象自动识别研究.**\n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1332.shtml)\n\n21. **评价对象抽取及其倾向性分析.** \n[paper](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1331.shtml)\n\n22. **Aspect extraction for opinion mining with a deep convolutional neural network.**\n[paper](https:\u002F\u002Fww.w.sentic.net\u002Faspect-extraction-for-opinion-mining.pdf)\n\n23. **Recursive neural conditional random fields for aspect-based sentiment analysis.**\n[paper](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD16-1059)\n\n24. **Coupled multi-layer attentions for co-extraction of aspect and opinion terms.**\n[paper](http:\u002F\u002Fwww.aaai.org\u002FConferences\u002FAAAI\u002F2017\u002FPreliminaryPapers\u002F15-Wang-W-14441.pdf)\n\n# :floppy_disk: Dataset\n\n## 评价对象和评价词抽取\n\n- [SemEval-2014 Task 4](http:\u002F\u002Falt.qcri.org\u002Fsemeval2014\u002Ftask4\u002Findex.php?id=data-and-tools)\n\n- [中文微博情感分析测评数据](https:\u002F\u002Fmlln.cn\u002F2018\u002F10\u002F11\u002F%E4%B8%AD%E6%96%87%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90%E8%AF%AD%E6%96%99%E5%BA%93%E5%A4%A7%E5%85%A8-%E5%B8%A6%E4%B8%8B%E8%BD%BD%E5%9C%B0%E5%9D%80\u002F)\n\n- [百度、马蜂窝和大众点评数据集](https:\u002F\u002Fgithub.com\u002Flsvih\u002Fchinese-customer-review)\n\n- [情感原因对数据集](https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE\u002Ftree\u002Fmaster\u002Fdata_combine)\n","# 令人惊叹的NLP情感分析\n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。\n\n# :book: 论文与 :speak_no_evil: 代码\n\n## 情感分析\n\n1. **深度学习在情感分析中的应用：综述。**\n[论文](https:\u002F\u002Farxiv.org\u002Fftp\u002Farxiv\u002Fpapers\u002F1801\u002F1801.07883.pdf)\n\n## 情绪归因\n\n1. **结合事件抽取与多核SVM的集成方法用于情绪原因检测。** \n[论文](https:\u002F\u002Fieeexplore.ieee.org\u002Fstamp\u002Fstamp.jsp?tp=&arnumber=8195347)\n\n2. **基于语料库构建的事件驱动型情绪原因抽取。**\n[论文](http:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD16-1170)\n\n3. **基于问答的方法进行情绪原因抽取。** \n[论文](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD17-1167)\n\n4. **一种用于自动获取情绪原因抽取规则的自举法。**\n[论文](http:\u002F\u002Fsentic.net\u002Fsentire2017yada.pdf)\n\n5. **基于ECOCC模型的中文微博情绪原因检测。**\n[论文](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-319-18032-8_1)\n\n6. **利用语言结构进行情绪原因检测。**\n[论文](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-3-662-45924-9_42)\n\n7. **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。**\n[论文](https:\u002F\u002Flink.springer.com\u002Fchapter\u002F10.1007\u002F978-981-10-2993-6_8)\n\n8. **从文本中提取情绪的原因。**\n[论文](http:\u002F\u002Faclweb.org\u002Fanthology\u002FI13-1121)\n\n9. **基于E-CNN神经网络的情绪原因识别方法。**\n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002FY2018\u002FV32\u002FI2\u002F120)\n\n10. **基于序列标注模型的情绪原因识别方法。**\n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1756.shtml)\n\n11. **基于文本的情绪自动归因方法研究。**\n[论文](http:\u002F\u002Fcdmd.cnki.com.cn\u002FArticle\u002FCDMD-10213-1015979471.htm)\n\n12. **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。**\n[论文](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD18-1506.pdf)\n\n13. **情绪—原因对抽取：文本情感分析中的新任务。**\n[论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.01267.pdf)\n[代码](https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE)\n\n## 评价对象和评价词抽取\n\n4. **利用循环神经网络和词嵌入进行细粒度观点挖掘。** \n[论文](https:\u002F\u002Fpdfs.semanticscholar.org\u002F8208\u002F43544be57efa903ce14d6967b0eeafd6a7ed.pdf) \n[代码](https:\u002F\u002Fgithub.com\u002Fpdsujnow\u002Fopinion-target)\n\n5. **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。** \n[论文](http:\u002F\u002Fproceedings.mlr.press\u002Fv95\u002Fli18d\u002Fli18d.pdf) \n[代码](https:\u002F\u002Fgithub.com\u002Fkdsec\u002Fchinese-opinion-target-extraction)\n\n6. **一个用于观点对象抽取及目标情感预测的统一模型。**\n[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.05082)\n[代码](https:\u002F\u002Fgithub.com\u002Flixin4ever\u002FE2E-TBSA)\n\n7. **评价对象抽取研究综述。** \n[论文](http:\u002F\u002Fwww.aas.net.cn\u002FCN\u002F10.16383\u002Fj.aas.2017.c170049)\n\n8. **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。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2522.shtml)\n\n9. **基于语义和句法依存特征的评论对象抽取研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2585.shtml)\n\n10. **基于条件随机场的评价对象缺省项识别。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2317.shtml)\n\n11. **基于CRFs和领域本体的中文微博评价对象抽取研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract2260.shtml)\n\n12. **基于微博的情感倾向性分析方法研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract229.shtml)\n\n13. **基于迭代两步CRF模型的评价对象与极性抽取研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract53.shtml)\n\n14. **基于句法特征的评价对象抽取方法研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract172.shtml)\n\n15. **基于层叠CRFs的中文句子评价对象抽取。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1718.shtml)\n\n16. **评价对象及其倾向性的抽取和判别。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1633.shtml)\n\n17. **基于非完备信息系统的评价对象情感聚类。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1634.shtml)\n\n18. **基于CRFs的评价对象抽取特征研究。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1588.shtml)\n\n19. **基于核心句及句法关系的评价对象抽取。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1478.shtml)\n\n20. **面向特定领域的产品评价对象自动识别研究。**\n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1332.shtml)\n\n21. **评价对象抽取及其倾向性分析。** \n[论文](http:\u002F\u002Fjcip.cipsc.org.cn\u002FCN\u002Fabstract\u002Fabstract1331.shtml)\n\n22. **利用深度卷积神经网络进行观点挖掘中的方面抽取。**\n[论文](https:\u002F\u002Fww.w.sentic.net\u002Faspect-extraction-for-opinion-mining.pdf)\n\n23. **用于基于方面的情感分析的递归神经条件随机场。**\n[论文](https:\u002F\u002Fwww.aclweb.org\u002Fanthology\u002FD16-1059)\n\n24. **用于方面与观点术语联合抽取的耦合多层注意力机制。**\n[论文](http:\u002F\u002Fwww.aaai.org\u002FConferences\u002FAAAI\u002F2017\u002FPreliminaryPapers\u002F15-Wang-W-14441.pdf)\n\n# :floppy_disk: 数据集\n\n## 评价对象和评价词抽取\n\n- [SemEval-2014任务4](http:\u002F\u002Falt.qcri.org\u002Fsemeval2014\u002Ftask4\u002Findex.php?id=data-and-tools)\n\n- [中文微博情感分析测评数据](https:\u002F\u002Fmlln.cn\u002F2018\u002F10\u002F11\u002F%E4%B8%AD%E6%96%87%E6%83%85%E6%84%9F%E5%88%86%E6%9E%90%E8%AF%AD%E6%96%99%E5%BA%93%E5%A4%A7%E5%85%A8-%E5%B8%A6%E4%B8%8B%E8%BD%BD%E5%9C%B0%E5%9D%80\u002F)\n\n- [百度、马蜂窝和大众点评数据集](https:\u002F\u002Fgithub.com\u002Flsvih\u002Fchinese-customer-review)\n\n- [情感原因对数据集](https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE\u002Ftree\u002Fmaster\u002Fdata_combine)","# awesome-nlp-sentiment-analysis 快速上手指南\n\n`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。\n\n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。\n\n## 环境准备\n\n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。\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu 18.04+), macOS, 或 Windows (需 WSL2)\n- **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)\n- **GPU (可选)**: 若需训练大型模型，建议配备 NVIDIA GPU 并安装 CUDA Toolkit\n\n### 前置依赖\n- **Git**: 用于克隆代码仓库\n- **pip** 或 **conda**: 包管理工具\n- **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）\n\n## 安装步骤\n\n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。\n\n### 1. 克隆目标项目代码\n从列表中选择一个带有 `[code]` 链接的项目，例如 `Emotion-Cause Pair Extraction`：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE.git\ncd ECPE\n```\n\n### 2. 创建虚拟环境\n推荐使用 `conda` 或 `venv` 隔离环境：\n\n```bash\n# 使用 conda (推荐)\nconda create -n nlp-sa python=3.7\nconda activate nlp-sa\n\n# 或使用 venv\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n```\n\n### 3. 安装依赖库\n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）。\n\n```bash\n# 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)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装项目其他依赖\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*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。*\n\n### 4. 准备数据集\n根据列表中的 `Dataset` 部分下载所需数据。以 ECPE 项目为例：\n\n```bash\n# 创建数据目录\nmkdir data\n\n# 手动下载列表中提供的 \"情感原因对数据集\" 并放入 data 目录\n# 链接：https:\u002F\u002Fgithub.com\u002FNUSTM\u002FECPE\u002Ftree\u002Fmaster\u002Fdata_combine\n# 下载后解压至 data\u002F 文件夹内\n```\n\n## 基本使用\n\n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。\n\n### 运行测试\u002F评估\n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：\n\n```bash\n# 运行测试脚本 (示例命令，具体参数参考项目文档)\npython main.py --mode test --data_dir .\u002Fdata\n\n# 或者运行训练脚本\npython main.py --mode train --data_dir .\u002Fdata\n```\n\n### 调用其他资源\n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：\n1. 阅读论文复现思路。\n2. 使用 `Hugging Face Transformers` 库快速构建类似模型。\n\n```python\n# 示例：使用 Hugging Face 快速加载一个中文情感分析模型\nfrom transformers import pipeline\n\n# 加载中文情感分析管道\nclassifier = pipeline(\"sentiment-analysis\", model=\"uer\u002Froberta-base-finetuned-jd-binary-chinese\")\n\n# 简单推理\nresult = classifier(\"这家餐厅的味道非常好，但是服务太慢了。\")\nprint(result)\n```\n\n### 获取数据集\n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：\n\n- **SemEval-2014 Task 4**: [访问链接](http:\u002F\u002Falt.qcri.org\u002Fsemeval2014\u002Ftask4\u002Findex.php?id=data-and-tools)\n- **中文客户评论数据集 (百度\u002F马蜂窝\u002F大众点评)**:\n  ```bash\n  git clone https:\u002F\u002Fgithub.com\u002Flsvih\u002Fchinese-customer-review.git\n  ```\n\n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。","某电商数据团队正试图从海量用户评论中挖掘产品改进线索，不仅需要判断情感正负，更需精准定位引发情绪的具体原因及对应的评价对象。\n\n### 没有 awesome-nlp-sentiment-analysis 时\n- **资源搜集低效**：开发人员需手动在各大学术库中大海捞针，难以系统性地找到涵盖“情绪归因”和“评价对象抽取”的高质量论文与数据集。\n- **分析粒度粗糙**：受限于仅能找到基础情感分类代码，系统只能输出“正面\u002F负面”标签，无法识别用户是因为“物流慢”还是“材质差”而产生不满。\n- **重复造轮子**：团队需从零复现复杂的深度学习模型（如 ECPE 或 BiLSTM-CRF），耗费数周时间调试基线，且难以验证算法的先进性。\n- **中文场景支持弱**：网络上开源实现多针对英文语料，缺乏针对中文微博或评论特有的句法特征和词典优化的成熟方案。\n\n### 使用 awesome-nlp-sentiment-analysis 后\n- **一站式资源导航**：直接获取整理好的情绪原因识别（Emotion Cause Detection）和细粒度观点挖掘的顶会论文及对应 GitHub 代码库，调研效率提升十倍。\n- **深度洞察归因**：基于列表中推荐的 ECPE（情绪 - 原因对抽取）模型，系统能精准输出“用户因【电池续航短】（原因）对【手机】（对象）感到【失望】（情感）”的结构化数据。\n- **快速落地 SOTA**：直接复用经过验证的中文评价对象抽取代码（如结合 POS 和字典的 BiLSTM-CRF 模型），将算法研发周期从数周缩短至几天。\n- **本土化适配完善**：利用列表中专门针对中文微博和特定领域的评价对象研究，显著提升了模型在处理中文口语化表达和隐含主语时的准确率。\n\nawesome-nlp-sentiment-analysis 通过聚合前沿学术成果与工程实现，将情感分析从简单的“正负判断”升级为可解释、细粒度的“因果洞察”，极大降低了高阶 NLP 应用的落地门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhaiker2011_awesome-nlp-sentiment-analysis_a5bd9aa6.png","haiker2011","Haiker Sun","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhaiker2011_0e7b1a14.jpg","haiker2011(孙海洲), @servicemesher member , @uestcer member,\r\n@apachecn member ,\r\n@b3log member .\r\n","@SmartMore","Beijing,China","haizhou.sun@smartmore.com",null,"https:\u002F\u002Fgithub.com\u002Fhaiker2011",691,91,"2026-04-17T08:18:06","GPL-3.0",5,"","未说明",{"notes":89,"python":87,"dependencies":90},"该仓库是一个资源列表（Awesome List），主要收集了情感分析、情绪原因识别及评价对象抽取领域的论文、数据集链接和部分独立代码库的引用，本身不是一个可直接运行的单一软件工具。具体的运行环境需求（如操作系统、GPU、Python 版本等）需参考列表中各个子项目（如 ECPE、opinion-target 等）各自的 README 文件。",[],[35,92,14],"视频",[94,95,96,97,98,99],"nlp","machine-learning","deep-learning","sentiment-analysis","opinion-target-extraction","emotion-analysis","2026-03-27T02:49:30.150509","2026-04-18T14:34:03.592161",[],[]]