文本情感分析又称意见挖掘， 是对包含用户观点、 喜好、 情感等主观性文本进行挖掘、 分析及判别它是一个多学科交叉的研究领域， 涉及概率论、 数据统计分析、 计算机语言学、 自然语言处理、 机器学习、 信息检索、 本体学 ( Ontology) 等多个学科及其相关技术 。 目前， 情感分类大致涌现出两种研究思路:基于情感知识和基于特征。前者主要是基于已有的情感词典或情感知识库 对文本中带有情感或极性的词( 或词语单元) 进行加权求和，而后者主要是对文本提取具有类别表征意义的 特征， 再基于这些特征使用机器学习算法进行分类。 本项目运用情感词典与机器学习两种方法分别进行文本情感分析，并提供结果对比。

• Windows/MacOS/Linux
• Python3.6
• PyCharm or other IDEs

• get the code from gitlab/github

git clone [email protected]:Charon0622/Software-Engineering-Course-Design.git

Open the file named"Chinese-emotion-anlysis" with IDE

cd [project folder]
python3 manager.py runserver [port]

http://115.28.245.233:8080

机器学习方法的接口，接受一个中文文本， 可得到一个正向情感极性的概率和负向情感 的概率。

基于情感词典的方法的接口， 输入一段中文文本， 可得到文本的情感极性分值 。

可对 篇章级、段落级、句子级 的中文文本进行情感极性判断。

基于情感词典的方法的接口，可以使用不同的情感词典对中文文本进行情感分析。

基于机器学习的方法的接口，可以导入一个训练好的模型来对中文文本进行情感分析。

分析算法以及修复程序中的bug。

Chinese_Emotion_Anakysis

settings.py web的总配置文件

url.py web的路由配置

Emotion_Manager

CEA_LIB NLP分析库

pkl_data 处理之后的数据

raw_data 未处理之前的数据

chinese_emotion_analysis.py NLP方法的接口

classifier.pkl 训练好的分类器模型

Modules 词典方法分析库

res字典存放处

main.py 接口

migrations 数据连接层

static 静态资源文件

templates 网页模板

models.py 模型构建

views.py web逻辑