传统情感分析

特点:最传统的情感词典打分。代码源自开源项目 PySenti(按积极、消极情感词的权值累加打分,并计入否定词与程度副词)和 CnText(按大连理工情绪词典的七类情绪词打分),两套词典各给每行打一次分,判出积极、中性或消极,再逐行比对两者的分歧,给出判断不一致的句子供人工复核。

优点:TATOOLS 在原版基础上做了优化,算得更快、判得更准,比原版更能应对复杂句式。如果你有自己的情感词库,可以直接导入积极词和消极词,判断时优先按你给的词算,两套词典同时生效。

适合:已经有领域情感词库、想按自己的词表来判断的研究。按词典打分是比较老的方法,不识别反讽和依赖上下文的表达。

加载文件上传组件中...
已识别 0 / 500 个词

补充领域专属的积极情感词,PySenti(按积极、消极情感词权值打分)与 CnText(按大连理工情绪词典打分)两种方法同时生效;留空则只用各自的默认词典。逗号、顿号、分号或换行分隔均可。

已识别 0 / 500 个词

补充领域专属的消极情感词,两种方法同时生效。

每 400 行 2 点

传统情感分析常见问题

词典法情感分析有什么局限?
按词典匹配打分,不识别反讽和依赖上下文的表达。需要逐条判定依据的材料可以用高级情感分析。
可以加自己的情感词吗?
可以导入自己的积极词和消极词,判断时优先按你给的词算,两套词典同时生效。
传统情感分析怎么用?
不用安装软件,也不用写代码。
传统情感分析怎么计费?
按行数计费,每满 400 行 2 点,不足 400 行按 2 点算。提交前页面会显示本次消耗。
结果可以写进论文吗?
可以。报告里的数字和图表附有统计口径与原文出处,末尾有方法说明,涉及统计模型的报告还列出参考文献,可以作为论文附件或方法依据。
相关工具
  • Mia通用快速情感判断用 TATOOLS 自研开源的 Mia 判断每条短文本是积极、消极还是中性,又快又准,花费低。
  • Mia多维情绪判断在积极、消极、中性之外,给每条短文本打出效价、唤醒度、支配度,并分出主导情绪。
  • 隐含情感识别认出评论里的阴阳怪气、反讽和捧杀,挖出字面背后真正的情绪。
  • DeepSentiV2深度学习情感分析一次筛完一份材料的积极、消极和中性,并列出情感关键词和热门榜单。
  • VAD 三维情感分析按论文、新闻等材料的口径,细看每句话的积极消极和效价、唤醒度、支配度。
  • 高级情感分析不知道选哪个就选它。逐条判积极、消极、中性,附原文证据词,标出反讽和否定,并归纳消极原因。