Cemotion 基于NLP的 中文情感傾向分析庫

Cemotion是Python下的中文NLP庫符相,可以進行 中文情感傾向分析熔任。

Cemotion的模型經(jīng) 循環(huán)神經(jīng)網(wǎng)絡(luò) 訓練得到褒链,會為 中文文本 返回 0~1之間的 情感傾向置信度。您可以批量分析中文文本的情感疑苔,并部署至Linux甫匹、Mac OS、Windows等生產(chǎn)環(huán)境中惦费,無需關(guān)注內(nèi)部原理兵迅。

該模塊依賴于TensorFlow環(huán)境(會自動安裝),較老的機器可能無法運行薪贫。

安裝方法

1.進入命令窗口恍箭,創(chuàng)建虛擬環(huán)境,依次輸入以下命令

Linux和Mac OS:

python3 -m venv venv #創(chuàng)建虛擬環(huán)境

. venv/bin/activate #激活虛擬環(huán)境

附:Apple Silicon安裝方法

Apple Silicon請參考?https://pypi.org/project/Cemotion-apple/?此文檔安裝

Windows:

python -m venv venv #創(chuàng)建虛擬環(huán)境

venv\Scripts\activate #激活虛擬環(huán)境

2.安裝cemotion庫瞧省,依次輸入

pip install --upgrade pip

pip install cemotion

使用方法

#按文本字符串分析

from cemotion import Cemotion

str_text1 = '配置頂級扯夭,不解釋,手機需要的各個方面都很完美'

str_text2 = '院線看電影這么多年以來鞍匾,這是我第一次看電影睡著了交洗。簡直是史上最大爛片!沒有之一橡淑!侮辱智商藕筋!大家小心警惕!千萬不要上當梳码!再也不要看了隐圾!'

c = Cemotion()

print('"', str_text1 , '"\n' , '預(yù)測值:{:6f}'.format(c.predict(str_text1) ) , '\n')

print('"', str_text2 , '"\n' , '預(yù)測值:{:6f}'.format(c.predict(str_text2) ) , '\n')

#返回內(nèi)容(該模塊返回了這句話的情感置信度,值在0到1之間):

text mode

" 配置頂級掰茶,不解釋暇藏,手機需要的各個方面都很完美 "

預(yù)測值:0.999931

text mode

" 院線看電影這么多年以來,這是我第一次看電影睡著了濒蒋。簡直是史上最大爛片盐碱!沒有之一把兔!侮辱智商!大家小心警惕瓮顽!千萬不要上當县好!再也不要看了! "

預(yù)測值:0.000001

#使用列表進行批量分析

from cemotion import Cemotion

list_text = ['內(nèi)飾蠻年輕的暖混,而且看上去質(zhì)感都蠻好缕贡,貌似本田所有車都有點相似,滿高檔的拣播!',

'總而言之晾咪,是一家不會再去的店。']

c = Cemotion()

print(c.predict(list_text))

#返回內(nèi)容(該模塊返回了列表中每句話的情感置信度贮配,值在0到1之間):

list mode

[['內(nèi)飾蠻年輕的谍倦,而且看上去質(zhì)感都蠻好,貌似本田所有車都有點相似泪勒,滿高檔的昼蛀!', 0.999907], ['總而言之,是一家不會再去的店圆存。', 0.049015]]

如果該模塊對您有幫助叼旋,感謝Star??!

GitHub鏈接https://github.com/Cyberbolt/Cemotion

電光筆記官網(wǎng)?https://www.cyberlight.xyz/

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末辽剧,一起剝皮案震驚了整個濱河市送淆,隨后出現(xiàn)的幾起案子税产,更是在濱河造成了極大的恐慌怕轿,老刑警劉巖,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件辟拷,死亡現(xiàn)場離奇詭異撞羽,居然都是意外死亡,警方通過查閱死者的電腦和手機衫冻,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 文/潘曉璐 我一進店門诀紊,熙熙樓的掌柜王于貴愁眉苦臉地迎上來,“玉大人隅俘,你說我怎么就攤上這事邻奠。” “怎么了为居?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵碌宴,是天一觀的道長。 經(jīng)常有香客問我蒙畴,道長贰镣,這世上最難降的妖魔是什么呜象? 我笑而不...
    開封第一講書人閱讀 56,474評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮碑隆,結(jié)果婚禮上恭陡,老公的妹妹穿的比我還像新娘。我一直安慰自己上煤,他們只是感情好休玩,可當我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著楼入,像睡著了一般哥捕。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上嘉熊,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天遥赚,我揣著相機與錄音,去河邊找鬼阐肤。 笑死凫佛,一個胖子當著我的面吹牛,可吹牛的內(nèi)容都是我干的孕惜。 我是一名探鬼主播愧薛,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼,長吁一口氣:“原來是場噩夢啊……” “哼衫画!你這毒婦竟也來了毫炉?” 一聲冷哼從身側(cè)響起,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤削罩,失蹤者是張志新(化名)和其女友劉穎瞄勾,沒想到半個月后,有當?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體弥激,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡进陡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,511評論 2 327
  • 正文 我和宋清朗相戀三年,在試婚紗的時候發(fā)現(xiàn)自己被綠了微服。 大學時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片趾疚。...
    茶點故事閱讀 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡,死狀恐怖以蕴,靈堂內(nèi)的尸體忽然破棺而出糙麦,到底是詐尸還是另有隱情,我是刑警寧澤丛肮,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布赡磅,位于F島的核電站,受9級特大地震影響腾供,放射性物質(zhì)發(fā)生泄漏仆邓。R本人自食惡果不足惜鲜滩,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望节值。 院中可真熱鬧徙硅,春花似錦、人聲如沸搞疗。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽匿乃。三九已至桩皿,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間幢炸,已是汗流浹背泄隔。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留宛徊,地道東北人佛嬉。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像闸天,于是被迫代替她去往敵國和親暖呕。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當晚...
    茶點故事閱讀 43,514評論 2 348

推薦閱讀更多精彩內(nèi)容

  • typora-copy-images-to: ipic [TOC] 快速開始 在安裝Sanic之前苞氮,讓我們一起來看...
    君惜丶閱讀 14,088評論 3 18
  • [TOC] 簡介 Selenium 是一個用于Web應(yīng)用程序測試的工具湾揽。Selenium測試直接運行在瀏覽器中,就...
    Whyn閱讀 1,047評論 0 2
  • 快速開始 在安裝Sanic之前笼吟,讓我們一起來看看Python在支持異步的過程中库物,都經(jīng)歷了哪些比較重大的更新。 首先...
    hugoren閱讀 19,506評論 0 23
  • 1)環(huán)境準備: 接口測試的方式有很多赞厕,比如可以用工具(jmeter,postman)之類艳狐,也可以自己寫代碼進行接口...
    程序員阿沐閱讀 1,361評論 0 8
  • 推薦指數(shù): 6.0 書籍主旨關(guān)鍵詞:特權(quán)定硝、焦點皿桑、注意力、語言聯(lián)想蔬啡、情景聯(lián)想 觀點: 1.統(tǒng)計學現(xiàn)在叫數(shù)據(jù)分析诲侮,社會...
    Jenaral閱讀 5,705評論 0 5