- c - 在位数组中找到第一个零
- linux - Unix 显示有关匹配两种模式之一的文件的信息
- 正则表达式替换多个文件
- linux - 隐藏来自 xtrace 的命令
我下载了WN-Affect .但是,我不确定如何使用它来检测句子的情绪。例如,如果我有一个字符串“我讨厌足球”。我希望能够检测情绪是否不好,情绪是否是恐惧。 WN-Affect 没有关于如何操作的教程,我对 python 有点陌生。任何帮助都会很棒!
最佳答案
简而言之:改用 SentiWordNet 并查看 https://github.com/kevincobain2000/sentiment_classifier
长期:
情感与情绪
情感和情绪之间的界限非常微妙。人们应该研究语言学研究中的Affectedness
,例如http://compling.hss.ntu.edu.sg/events/2014-ws-affectedness/和计算研究中的情感分析
。现在,我们将识别情感和情绪的任务称为情绪分析。
另请注意,与 SentiWordNet
相比,WN-Affect
是一个相当古老的资源,http://sentiwordnet.isti.cnr.it/ .
这里有一个使用 SentiWordNet 进行情绪分析的好资源:https://github.com/kevincobain2000/sentiment_classifier .
通常情绪分析只有两类,positive
或negative
情绪。而 WN-affect 使用 11 种类型的影响标签:
对于每种类型,都有多个类,请参阅 https://github.com/larsmans/wordnet-domains-sentiwords/blob/master/wn-domains/wn-affect-1.1/a-hierarchy.xml
要回答如何使用 WN-Affect 的问题,您需要做几件事:
首先把WN1.6映射到WN3.0(这不是一件容易的事,你必须做几次映射,尤其是2.0-2.1之间的映射)
现在使用WN3.0的WN-Affect,可以申请
关于python - 使用 WN-Affect 检测字符串的情绪/情绪,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/27943396/
我需要使用 nltk 对文本进行词形还原。为了做到这一点,我申请 nltk.pos_tag到每个句子,然后将生成的 Penn Treebank 标签 (http://www.ling.upenn.ed
所以我对此比较陌生,我需要一些帮助。 所以我试图让 nltk 中的 Wordnet 使用开放式多语言 WordNet。这是我访问的页面,显示了如何执行此操作 http://www.nltk.org/h
我下载了WN-Affect .但是,我不确定如何使用它来检测句子的情绪。例如,如果我有一个字符串“我讨厌足球”。我希望能够检测情绪是否不好,情绪是否是恐惧。 WN-Affect 没有关于如何操作的教程
我下载了WN-Affect .但是,我不确定如何使用它来检测句子的情绪。例如,如果我有一个字符串“我讨厌足球”。我希望能够检测情绪是否不好,情绪是否是恐惧。 WN-Affect 没有关于如何操作的教程
print(wn.synset('whale.n.01')) 此代码打印: Synset('giant.n.04') 我有 from nltk.corpus import wordnet as wn。
我知道 wordnet 有一个 "adverb synset" type .我知道那是在 nltk 中的 synset 类型枚举中 from nltk.corpus import wordnet as
我为问题编码: What percentage of noun synsets have no hyponyms? You can get all noun synsets using wn.all_
我正在尝试对心电图信号使用带通滤波器,这是代码: from scipy.signal import butter def bandpass_filter(self, data, lowcut, hig
我需要在基于 Java 的应用程序中使用 Wordnet。我想: 搜索同义词集 找到同义词集之间的相似性/相关性 我的应用程序使用 RDF 图,我知道 Wordnet 有 SPARQL 端点,但我想最
我试图让它运行起来,但不知道我做错了什么。我已经创建了一个 Debian.img(带有虚拟设备管理器的原始格式的磁盘 - 我猜是 libvirt 的 gui)并顺利安装了 debian。现在我想让它运
我是一名优秀的程序员,十分优秀!