基于文本分类的Stanford CoreNLP情感分析
但是，我还没能在Stanford CorenLP中找到任何文本分类的注释器。我有什么办法可以实现我的想法。更好的是，有没有更好的方法来实现我想要实现的目标。
提前谢了。
共有1个答案
我认为这个答案不会帮助发帖的人，但希望其他人可能会受益。我觉得这个问题中有很多东西都被错误地表达了，缺乏清晰度，但我认为你需要的是-
- 一个应用程序，让用户分享链接的‘喜欢’功能
- 从趋势帖子中确定趋势主题（使用点赞数找到）：您需要应用一些algo（可能是主题建模）来找到它。
- 一个网络爬虫/刮板，它可以让您获得由您的算法识别的主题的文章
- 您还需要用极性评分来标记您的文章（您实际上并不需要coreNLP，因为有其他可用的包，我发现coreNLP很重--我在R中运行它，经常遇到一些与Java内存相关的错误。但对于其他与NLP相关的任务来说，它很好。）
关于最后一个问题，如果您使用的是R-代码如下：
t<- "This tea is great" # the input text
annotatedStr <- annotateString(t) #annotator
sentiment <- getSentiment(annotation) #call to get your sentiment score
-
与 TF-IDF + LogReg 之类的简单且快得多的方法相比，LSTM 实际上由于数据集太小而无济于事。 注意 RNN 非常棘手。批次大小、损失和优化器的选择很重要，等等。某些配置无法收敛。 训练期间的 LSTM 损失减少模式可能与你在 CNN/MLP 等中看到的完全不同。 from __future__ import print_function from keras.preprocess
-
2 个轮次后达到 0.8498 的测试精度。K520 GPU 上为 41 秒/轮次。 from __future__ import print_function from keras.preprocessing import sequence from keras.models import Sequential from keras.layers import Dense, Dropout,
-
文本分类是自然语言处理的一个常见任务，它把一段不定长的文本序列变换为文本的类别。本节关注它的一个子问题：使用文本情感分类来分析文本作者的情绪。这个问题也叫情感分析，并有着广泛的应用。例如，我们可以分析用户对产品的评论并统计用户的满意度，或者分析用户对市场行情的情绪并用以预测接下来的行情。 同搜索近义词和类比词一样，文本分类也属于词嵌入的下游应用。在本节中，我们将应用预训练的词向量和含多个隐藏层的双
-
在“卷积神经网络”一章中我们探究了如何使用二维卷积神经网络来处理二维图像数据。在之前的语言模型和文本分类任务中，我们将文本数据看作是只有一个维度的时间序列，并很自然地使用循环神经网络来表征这样的数据。其实，我们也可以将文本当作一维图像，从而可以用一维卷积神经网络来捕捉临近词之间的关联。本节将介绍将卷积神经网络应用到文本分析的开创性工作之一：textCNN [1]。 首先导入实验所需的包和模块。 i
-
我在Excel文件中有数据，我需要使用它来使用SVM执行多标签分类。它有两列，如下所示。“推文”-A、B、C、D、E、F、G和“类别”=X、Y、Z 推文类别 一个X B Y C Z D X，Y E Y，Z F X，Y，Z G X，Z 给出一条推特，我想训练我的模型预测它所属的类别。推文和类别都是文本。我正在尝试使用Weka的LibSVM分类器进行分类，因为我读到它可以进行多标签分类。我将csv文件
-
嗨，我是情感分析的新手，我目前正在使用StanfordNLP核心API。我能够从句子中得到情感，积极的，中立的和消极的。有什么例子我可以遵循使用不同的分类器算法提供的api，如朴素贝叶斯和支持向量机，以获得不同的情感得分比较。谢谢你。