问题标签 [sentiment-analysis]

让我们从一个简单的问题开始。假设我有一个 350 字符的句子，并且想将句子放入“好心情”桶或“坏心情”桶中。

设计一个算法来存储句子的最佳方法是什么？

我想在我的控制器的更新方法中通过 Viralheat 的 API 发送一个请求，以便当用户点击提交按钮时，一个操作完成并进行 API 调用。我想发帖到 http://www.viralheat.com/api/sentiment/review.json?text=i&do¬&like&this&api_key=[ * your api key * ]

这将返回一些 JSON 格式：

是否可以在执行控制器方法时同时进行 API 调用，我将如何处理 JSON 响应？我会把它放在哪个控制器方法中？

最终，我想将响应情绪保存到 BrandUsers 表中的情绪列中。提交在 main.html.erb 中，然后使用更新方法。

控制器

任何具有liblinear算法感知分析经验的人。有人用过liblinear-ruby-swig gem 吗？

请给我一些建议。

这是在使用 LingPipe 机器学习工具进行情感分析的背景下。我必须对大段落中的句子是否具有正面/负面情绪进行分类。我知道 LingPipe 中的以下方法

1. 根据其极性对整个段落进行分类 - 负极或正极。

   在这里，我还不知道句子级别的极性。我们仍处于段落级别。如何确定段落的句子级别的极性，段落中的句子是正句还是负句？我知道如果一个句子是主观/客观的，LingPipe 能够分类。所以使用这种方法,,,,

   ，，，， 我是不是该

2. 首先在大量主观/客观的句子上训练 LingPipe。

3. 使用经过训练的模型从测试段落中提取所有主观句子。
4. 通过手动将它们标记为正/负，根据提取的极性主观句子训练 LingPipe 分类器。

5. 现在使用经过训练的极性模型并输入一个测试主观句子（通过将句子通过经过训练的主观/客观模型来完成），然后确定该语句是正面还是负面？

   上述方法有效吗？在上面提出的方法中，我们知道 LingPipe 能够接受大量文本内容（段落）进行极性分类。如果我们只通过一个主观句子进行极性分类，它会做得很好吗？我很困惑！

我在哪里可以获得已被归类为企业领域情绪正面/负面的文档语料库？我想要为公司提供评论的大量文档，例如分析师和媒体提供的公司评论。

我发现有产品和电影评论的语料库。是否有与商业语言相匹配的商业领域的语料库，包括对公司的评论？

我已经使用 Lingpipe 的情感分析模块实现了情感分析。我知道他们为此使用了动态 LR 模型。它只是告诉我测试字符串是积极情绪还是消极情绪。我可以使用什么想法来确定表达情感的对象？

如果文本被归类为积极情绪，我想获得表达情绪的对象——这可能是电影名称、产品名称或其他。

I'm trying to implement Sentiments Analysis functionality and looking for useful features which can be extracted from tweet messages.The features which I have in my mind for now are:

1. Sentiment words
2. Emotion icons
3. Exclamation marks
4. Negation words
5. Intensity words(very,really etc)

Is there any other useful features for this task? My goal is not only detect that tweet is positive or negative but also I need to detect level of positivity or negativity(let say in a scale from 0 to 100). Any inputs or references to printed papers are very welcome.

Thanks.

我计划开发一个系统来预测给定文本的情绪（简称情绪分析）。

我也更喜欢 apache mahout，因为它是非常庞大的数据，并且系统应该是实时可扩展的。请向我推荐 apache mahout 提供的算法，这些算法适用于情绪分析。

我正在客户支持领域中寻找一个带注释的数据集来进行情绪分析，以训练我的朴素贝叶斯分类器。互联网上有没有这样的数据集？到目前为止我找不到任何东西。

我该怎么做。

我正在使用朴素贝叶斯分类器对客户支持进行情绪分析。但不幸的是，我在客户支持领域没有大量带注释的数据集。但是我在同一个域中有少量注释数据（大约 100 个正数和 100 个负数）。我也有亚马逊产品评论数据集。

无论如何，我是否可以使用 mahout 实现加权的朴素贝叶斯分类器，这样我就可以对一小部分客户支持数据给予更大的权重，对亚马逊产品评论数据给予更小的权重。我猜对上述加权数据集的训练将大大提高准确性。请帮助我。