问题标签 [sentiment-analysis]

虽然我拥有 EE 背景，但我没有机会参加自然语言处理课程。

我想为土耳其语构建情绪分析工具。我认为最好创建一个土耳其语 wordnet 数据库，而不是将文本翻译成英文，然后使用提供的工具用错误的翻译文本对其进行分析。（是吗？）

那么你们建议我做什么？首先从公开课程网站上学习 NLP 课程？我真的不知道从哪里开始。你能帮助我，也许可以为我提供分步指南吗？我知道这是一个学术项目，但我有兴趣在该领域培养技能作为业余爱好。

提前致谢。

我需要一个简单的情感分析库来在我的 ASP.NET 应用程序中使用。该库应该能够处理短字符串（Twitter 推文的最大长度为 140 个字符），并且只需将推文分类为正面或负面（也许是中性的，但不是必需的）。

我在 Stack Overflow 上发现了许多类似的问题，但还没有设法在 C# 中找到完全符合我要求的类库。

我发现这个名为 uClassify 的非常酷的 Web 服务可以满足我的需求，这要感谢Algorithm 上的帖子，以确定语句/文本的正面或负面。

但我想要一个图书馆，而不是一个网络服务。我将处理数千条推文，而制作 HttpRequests 的开销太大了。

我正在使用 Ian Barbers Naive Bayes 分析类来分析学校项目的句子情绪。我已经创建了自己的正面中性和负面数据集。我的问题是我不知道如何实现中性并让班级找到它们。下面的链接是我正在使用的 php 类

http://phpir.com/bayesian-opinion-mining

我想根据内容将评论分类为正面或负面。这是 NLP（自然语言处理）的一个问题，我在实现这一点时遇到了困难。

我正在使用 apache mahout 在客户支持域中执行情绪分析。由于我无法获得适当的训练数据集，所以我自己制作了。现在我有 100 封正面情绪的支持邮件和 100 封负面情绪的支持邮件。

但问题是，我无法达到准确性。它保持在 55% 左右，这是可悲的。大约 70% 左右的准确度将是令人满意的。还要注意，我使用的是免费的 apache mahout 朴素贝叶斯分类器。

准确地说，是较小的数据集大小降低了准确性吗？如果没有，我应该在哪里调整？

我正在做我的最后一个项目。

我正在尝试创建 Twitter 消息的情绪分析。

我正在使用贝叶斯算法和词袋。

你有PHP中词袋算法的例子吗？

我找不到任何东西，可能是正面和负面词的列表或其他东西

我正在为聊天应用程序构建情绪识别系统。核心部分是在用户输入的文本中找到动词，这可以通过词性标注器来完成。是否可以使用 Lucene 构建词性标注器？如果没有，我可以使用什么好的开源/自由软件包或系统？

考虑以下陈述

我正在编写一个简单的朴素贝叶斯分类器，基本上是手动标记一组训练语句（作为正面或负面情绪）并相应地存储构成该语句的单词。

问题：如果我将这两个陈述都标记为负面情绪，那么“好”、“已建立”（陈述 1）和“任何”、“直到”（陈述 2）这些词将被单独标记为负面。而在另一种情况下（即“这家公司表现良好”），相同的词（在这种情况下为“良好”）将被标记为正面，使“良好”的情绪总和 -1 + 1 = 0。我会通过将这些词标记为否定词来克服这个问题，例如：

是否有标记这些单词的标准或最佳方法（我什至不知道它们是否属于同一组单词）？显然，标记“公司”是没有意义的，“非公司”没有任何情感价值。我（在 PHP 中）创建了一个函数，可以在否定词之后标记所有单词（不，不，不能等），但其中许多在之后没有真正意义（例如“not-company”，“不是纳斯达克”，“不是小丑”）。

由于英语不是我的母语，我问你是否有我在这里标记的单词的通用名称以及我想要的（基本的）可能。我知道可能有很多例外情况（双重否定等），但我不想深入探讨；我相信，如果这是可能的，它将涵盖很多领域。

这个话题有很多线程。但我也在发布另一个。所有的帖子可能是一种进行情绪分析的方法，但我发现没有办法。

我想实现情绪分析的做事方式。所以我会要求给我一个方法。在我的研究中，我发现无论如何都会使用它。我猜贝叶斯算法用于计算正面词和负面词，并使用词袋计算句子为正面或负面的概率。

这仅适用于单词，我想我们也必须进行语言处理。那么有没有比这更了解的人呢？如果是，您能否指导我提供一些算法及其链接以供参考，以便我实施。任何特别可以帮助我分析的东西。

你也可以更喜欢我可以使用的语言吗？有人说 Java 相当耗时，所以他们不推荐使用 Java。

非常感谢任何类型的帮助。

我希望用一些以前没有使用过的新数据源来训练一个朴素的贝叶斯。我已经查看了 IMDB 评论的 Lee & Pang 语料库和 MPQA 意见语料库。我正在寻找符合以下标准的新 Web 服务。

1. 易于分类 - 必须有喜欢/不喜欢或 5 星评级
2. 一应俱全
3. 与新材料有关（不如前两个重要）

以下是我自己提出的一些示例。

• Etsy API
• 烂番茄 API
• Yelp API

任何其他建议将不胜感激 =)