😀😄😂😭 优秀的情感分析资源 😥😟😱😤

精心整理的情感分析方法、实现及相关资源合集。

情感分析（Sentiment Analysis）是研究领域，用于从书面语言中分析人们的观点、情感、评价、态度和情绪。（Liu 2012）

目录

• 目录
• 目标
• 简介
• 综述论文
• 基准系统
• 资源与语料库
• 开源实现
  • NodeJS
  • Java
  • Python
  • R
  • Golang
  • Ruby
  • CSharp
• SaaS API
• Web 应用
• 贡献指南

目标

本仓库的目标是为希望在该领域进行研究的学者提供充足的链接；同时，也为希望将情感分析集成到应用程序中的开发者提供足够的可访问性。

简介

情感分析发生在不同层级：

• 文档级情感分析（Document-level Sentiment Analysis）评估单个实体（如产品）的评论文档中的情感。
• 句子级情感分析（Sentence-level Sentiment Analysis）评估单个句子中的情感。
• 方面级情感分析（Aspect-level Sentiment Analysis）进行更细粒度的分析。例如，句子“iPhone 的通话质量很好，但电池续航较短。”评估了 iPhone（实体）的两个方面：通话质量和电池续航。iPhone 的通话质量情感是正面的，而电池续航的情感是负面的。（Liu 2012）

最近的研究大多集中在基于方面的分析方法上。但并非所有开源实现都跟上了这一趋势。

解决该问题有多种方法。词汇方法（Lexical methods）会分析句子中表达积极和消极情感的词汇（如来自 SentiWordNet）的频率。监督机器学习（Supervised Machine Learning），如朴素贝叶斯（Naive Bayes）和支持向量机（Support Vector Machine, SVM），可以使用训练数据。由于获取训练样本困难，无监督机器学习（Unsupervised Machine Learning），如潜在狄利克雷分布（Latent Dirichlet Allocation, LDA）和词嵌入（Word2Vec）也被应用于大规模未标记数据集。近期研究还应用了深度学习（Deep Learning）方法，如卷积神经网络（Convolutional Neural Network, CNN）和长短期记忆网络（Long Short-term Memory, LSTM），以及它们的注意力机制变体。更多细节请参考综述论文。

综述论文

Liu, Bing. "Sentiment analysis and opinion mining." Synthesis lectures on human language technologies 5.1 (2012): 1-167. [pdf]

Vinodhini, G., and R. M. Chandrasekaran. "Sentiment analysis and opinion mining: a survey." International Journal 2.6 (2012): 282-292. [pdf]

Medhat, Walaa, Ahmed Hassan, and Hoda Korashy. "Sentiment analysis algorithms and applications: A survey." Ain Shams Engineering Journal 5.4 (2014): 1093-1113. [pdf]

基准系统

Wang, Sida, and Christopher D. Manning. "Baselines and bigrams: Simple, good sentiment and topic classification." Proceedings of the 50th Annual Meeting of the Association for Computational Linguistics: Short Papers-Volume 2. Association for Computational Linguistics, 2012. [pdf]

Cambria, Erik, Daniel Olsher, and Dheeraj Rajagopal. "SenticNet 3: a common and common-sense knowledge base for cognition-driven sentiment analysis." Proceedings of the twenty-eighth AAAI conference on artificial intelligence. AAAI Press, 2014. [pdf]

资源与语料库

AFINN: 英语词汇的效价评分列表 [web]

SentiWordNet: 支持情感分析的词汇资源 [web] [paper]

GloVe: 词向量获取算法。提供预训练词向量下载 [web] [paper]

SemEval14-Task4: 笔记本电脑和餐厅评论的标注方面及情感数据 [web] [paper]

Stanford Sentiment Treebank: 具有细粒度情感标注的数据集 [web] [paper]

Multidimensional Lexicon for Interpersonal Stancetaking [web] [paper]

开源实现

每个实现的特点如下描述。

注意事项：情感分析的一个关键问题是其对训练数据来源或情感词典构建领域的敏感性。[♠] 请勿假设现成的实现能直接解决你的问题，务必检查模型假设并验证其在你所在领域的准确性。[♦]

NodeJS

thisandagain/sentiment: 词汇方法，基于词典，基于 AFINN。

thinkroth/Sentimental 词汇方法，基于词典，基于 AFINN。

Java

LingPipe: 词汇方法，基于语料库，监督机器学习

CoreNLP: 监督机器学习，深度学习

ASUM: 无监督机器学习，潜在狄利克雷分布（Latent Dirichlet Allocation）。[paper]

Python

nltk: VADER 情感分析工具，基于词典（Lexical）、基于规则（Rule-based）。[论文]

vivekn/sentiment: 监督式机器学习（Supervised Machine Learning），朴素贝叶斯分类器（Naive Bayes Classifier）。[论文]

xiaohan2012/twitter-sent-dnn: 监督式机器学习，深度学习（Deep Learning），卷积神经网络（Convolutional Neural Network）。[论文]

abdulfatir/twitter-sentiment-analysis: 使用朴素贝叶斯、SVM、CNN、LSTM 等算法对推文进行情感分析。

kevincobain2000/sentiment_classifier: 监督式机器学习，朴素贝叶斯分类器，最大熵分类器（Max Entropy Classifier），SentiWordNet。

pedrobalage/SemevalAspectBasedSentimentAnalysis: 基于方面（Aspect-Based），监督式机器学习，条件随机场（Conditional Random Field）。

ganeshjawahar/mem_absa: 基于方面，监督式机器学习，深度学习，基于注意力机制（Attention-based），外部记忆（External Memory）。[论文]

openai/generating-reviews-discovering-sentiment: 深度学习，字节级LSTM（byte mLSTM）。[论文]

yiyang-gt/social-attention: 深度学习，基于注意力机制。利用作者在社交网络中的位置来辅助情感分析。[论文].

thunlp/NSC: 深度学习，基于注意力机制。使用用户和产品信息。[论文].

R

timjurka/sentiment: 监督式机器学习，朴素贝叶斯分类器。

Golang

cdipaolo/sentiment: 监督式机器学习，朴素贝叶斯分类器。基于 cdipaolo/goml。

Ruby

malavbhavsar/sentimentalizer: 基于词典（Dictionary-based）。

7compass/sentimental: 基于词典。

CSharp

amrish7/Dragon: 监督式机器学习，朴素贝叶斯分类器。

SaaS APIs

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

Web Apps

• Textalytic [网页]

贡献指南

:+1::tada: 首先，感谢您抽出时间进行贡献！:tada::+1:

贡献步骤：

• 进行您的精彩修改
• 提交拉取请求；如果您新增了条目，请简要说明您认为该条目应该被添加的原因。

awesome-sentiment-analysis 快速上手指南

环境准备

• 系统要求：支持主流操作系统（Windows/macOS/Linux）
• 前置依赖：
  • Python 3.6+（推荐使用Python 3.8+）
  • Node.js 14+（可选）
  • Java 8+（可选）

安装步骤

Python环境安装（推荐）

# 使用国内镜像加速安装
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple vaderSentiment

# 安装nltk数据包（首次使用需执行）
python -m nltk.downloader vader_lexicon

Node.js环境安装

npm install sentiment --registry=https://registry.npmmirror.com

Java环境安装（Maven）

<dependency>
    <groupId>edu.stanford.nlp</groupId>
    <artifactId>stanford-corenlp</artifactId>
    <version>4.5.1</version>
</dependency>

基本使用

Python示例（VADER算法）

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer

analyzer = SentimentIntensityAnalyzer()
text = "我非常喜欢这个产品，它超出了我的预期！"
scores = analyzer.polarity_scores(text)

print(f"文本情感得分：{scores}")
# 输出示例: {'neg': 0.0, 'neu': 0.329, 'pos': 0.671, 'compound': 0.7352}

Node.js示例

const Sentiment = require('sentiment');
const sentiment = new Sentiment();

const result = sentiment.analyze('这个服务太棒了，客服响应非常及时！');
console.log(result);
// 输出示例: { score: 5, ... }

Java示例（Stanford CoreNLP）

Properties props = new Properties();
props.setProperty("annotators", "tokenize,ssplit,pos,lemma,parse,sentiment");
StanfordCoreNLP pipeline = new StanfordCoreNLP(props);

Annotation annotation = new Annotation("这部电影令人失望，剧情发展太拖沓了。");
pipeline.annotate(annotation);

for (CoreMap sentence : annotation.get(CoreAnnotations.SentencesAnnotation.class)) {
    String sentiment = sentence.get(SentimentCoreAnnotations.SentimentClass.class);
    System.out.println("句子情感标签：" + sentiment); // 输出示例: Negative
}