# sentiment

**Repository Path**: www.ydj.com/sentiment

## Basic Information

- **Project Name**: sentiment
- **Description**: 赛题背景

近年来，文本情感分析技术在网络营销、企业舆情监控、政府舆论监控等扮演越来越重要的角色。鉴于主题模型在文本挖掘领域的优势，基于主题的文本情感分析技术也成为人们关注的热点，其主要任务是通过挖掘用户评论所蕴含的主题、以及对这些主题的情感偏好，来提高文本情感分析的性能。

以网上电商购物评论为例，原始的主题模型主要针对篇幅较大的文档或者评论句子的集合，学习到的主题主要针对整个产品品牌；而现实情形是，用户评论大多针围绕产品的某些特征或内容主题展开（如口味、服务、环境、性价比、交通、快递、内存、电池续航能力、原料、保质期等等，这说明相比于对产品的整体评分， 用户往往更关心产品特征），而且评论文本往往较短。

任务描述

本次大赛提供脱敏后的电商评论数据。参赛队伍需要通过数据挖掘的技术和机器学习的算法，根据语句中的主题特征和情感信息来分析用户对这些主题的偏好，并以<主题，情感词>序对作为输出。可能不同。

- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 2
- **Created**: 2020-06-08
- **Last Updated**: 2022-05-26

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# sentiment

### 关于代码
1. 版本：v1.1
1. 环境：python3; tensorflow-1.0.0; keras-2.0.6
1. 使用：将data文件夹中的三个csv文件放到py文件同个文件夹下面即可运行
1. Finish：
    -  使用jieba进行分词，并用LSTM对第一个情感关键词进行预测，10轮epochs后验证样本的准确率为0.70
6. Todo：
    - 将情感关键词添加到jieba的字典里
    - 将第2、3个关键词添加到样本，将预测的概率大于阈值的位置作为情感关键词输出
    - 完成主题和情感正负面的分析
    - 完善LSTM的网络
    - 试试CNN的效果