一文看懂 NLP 中的情感分析任务

目前，情感分析在中文自然语言处理（Natural Language Processing）中比较火热，很多场景下，我们都需要用到情感分析。比如，做金融产品量化交易，需要根据爬取的舆论数据来分析政策和舆论对股市或者基金期货的态度；电商交易，根据买家的评论数据，来分析商品的预售率等。

情感倾向分析的方法主要分为两类：

1. 基于情感词典的方法；

2. 基于机器学习的方法，如基于大规模语料库的机器学习。

前者需要用到标注好的情感词典；后者则需要大量的人工标注的语料作为训练集，通过提取文本特征，构建分类器来实现情感的分类。

做情感分析离不开情感词，情感词是承载情感信息最基本的单元，基于情感词典的情感分析方法，主要是基于一个包含了已标注的情感词和短语的词典，在这个词典中包括了情感词的情感倾向以及情感强度，一般将褒义的情感标注为正数，贬义的情感标注为负数。

情感词典是整个分析流程的核心，情感词标注数据的好坏直接决定了情感分类的结果。

那么，如何掌握基于情感词典分析方法？情感分析中的GPT 系列和 BERT 类模型又是如何使用？别急，今天，给大家推荐一份由 开课吧 提供赞助的《NLP情感分析学习资料大礼包》资料。包含了情感分析、词向量、文本挖掘、Pipeline、Word2Vec、Transformer、BERT、 GPT等核心知识 。满足你在学习NLP情感分析的各种需求，成为NLP算法工程师，这个资料是你最好的选择。本号主为大家争取到了免费名额（前150名，还可以获得开课吧NLP付费课程的报名优惠资格）。

扫码添加，免费获取超全资料

备注【情感分析】领取

基础篇：

5篇NLP精品论文

这5篇论文包含了情感分析的各个领域，并且有情感分析领域最具影响力的学者之一的刘兵老师。NLP 必学知识点BERT 、 GPT 、Attention 、 CBOW 、 Skip-Gram 、还包含了几种优化方法：Hierarchical Softmax、Negative Sampling 、Subsampling 技术。这些论文将给你的NLP情感分析奠定了理论基础。

<<  滑动查看精品论文 >>

进阶篇：

NLP模型搭建书籍

pytorch不熟悉？代码能力薄弱？不要怕，这本书非常适合有一定python基础的学员进阶训练自己的实战能力。看完这本书，应聘初级算法工程师一点问题也没有。

高级篇：

情感分析源码与情感词典

2大情感分析源码，由简入深熟练运用模型

pytorch-实现情感分析：

涵盖了情感分析常用的各种模型，并使用了 jupyter notebook 进行展示，具有很好的交互性。对于一个问题的解决由简单模型逐渐加入各种技巧、升级模型，展示了解决一个问题的正确姿势

BERT-pytorch实现：

代码结构组织的很棒，对于看完论文依然对细节不太清楚的同学来说，阅读这篇源码会是最佳选择

情感词典（包含中英文用语词及本体）

中英文情感分析用语词

这份中英文情感分析用语词集包含了约17887个词语。其中包含正面情感、负面情感、正面评价、负面评价、程度级别、主张六个子类。

中文情感词汇本体库

该词库包括词语词性种类、情感类别、情感强度及极性等信息。中文情感词汇本体的情感分析体系是在国外比较有影响的Ekman的六大类情感分析体系的基础上构建的。在Ekman的基础上，词汇本体加入情感类别“好”对褒义情感进行了更细致的划分。最终词汇本体中的情感分为7大类21小类。构造该资源的宗旨是在情感计算领域，为中文文本情感分析和倾向性分析提供一个便捷可靠的辅助手段。

目前，2000+ 看过这个资料的同学都顺利成为各公司NLP算法工程师。长按识别下方二维码，快来领取资料吧！

《NLP情感分析资料大礼包》

——从入门到精通

长按扫码添加

获取完整版本免费资料

????????????

备注【情感分析】添加????

如果想要继续了解强化学习，还可以参加8月24日的为期三天的《情感分析实战训练营》，想要了解训练营的，可以添加上面的二维码咨询哦~