首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >NLP算法专家:全面解读文本情感分析任务

NLP算法专家:全面解读文本情感分析任务

作者头像
机器之心
发布于 2019-09-24 03:49:43
发布于 2019-09-24 03:49:43
2.7K0
举报
文章被收录于专栏:机器之心机器之心

机器之心专栏

作者:李明磊

作为 NLP 领域重要的研究方向之一,情感分析在实际业务场景中存在巨大的应用价值。在此文中,华为云 NLP 算法专家李明磊为我们介绍了情感分析的概念以及华为云在情感分析方面的实践和进展。

基本概念

为什么:随着移动互联网的普及,网民已经习惯于在网络上表达意见和建议,比如电商网站上对商品的评价、社交媒体中对品牌、产品、政策的评价等等。这些评价中都蕴含着巨大的商业价值。比如某品牌公司可以分析社交媒体上广大民众对该品牌的评价,如果负面评价忽然增多,就可以快速采取相应的行动。而这种正负面评价的分析就是情感分析的主要应用场景。

是什么:文本情感分析旨在分析出文本中针对某个对象的评价的正负面,比如「华为手机非常好」就是一个正面评价。情感分析主要有五个要素,(entity/实体,aspect/属性,opinion/观点,holder/观点持有者,time/时间),其中实体和属性合并称为评价对象 (target)。情感分析的目标就是从非结构化的文本评论中抽取出这五个要素。

图 1 情感分析五要素

举例如下图:

图 2 情感分析五要素例子

上例中左侧为非结构化的评论文本,右侧为情感分析模型分析出的五个要素中的四个(不包括时间)。其中实体「华为手机」和属性「拍照」合并起来可以作为评价对象。评价对象又可细分为评价对象词抽取和评价对象类别识别。如实体可以是实体词和实体类别,实体词可以是「餐馆」、「饭店」、「路边摊」,而实体类别是「饭店」;属性可以是属性词和属性类别,如属性词可以是「水煮牛肉」、「三文鱼」等,都对应了属性类别「食物」。实体类别和属性类别相当于是对实体词和属性词的一层抽象和归类,是一对多的关系。词和类别分别对应了不同的任务。观点的取值范围一般是 {正面,负面,中性}。类似的,可以把观点看做是对描述词的抽象和归类,如「好看」归为「正面」。

任务类型

当前研究中一般都不考虑情感分析五要素中的观点持有者和时间,故后文中的讨论都不考虑这两个因素。根据对剩下三个要素的简化,当前情感分析的主要任务包括可按照图 3 所示:词级别情感分析、句子/文档级情感分析、目标级情感分析。

图 3 情感分析任务体系

其中词级别和句子级别的分析对象分别是一个词和整个句子的情感正负向,不区分句子中具体的目标,如实体或属性,相当于忽略了五要素中的实体和属性这两个要素。词级别情感分析,即情感词典构建,研究的是如何给词赋予情感信息,如「生日」对应的情感标签是「正面」。句子级/篇章级情感分析研究的是如何给整个句子或篇章打情感标签,如「今天天气非常好」对应的情感标签是「正面」。

而目标级情感分析是考虑了具体的目标,该目标可以是实体、某个实体的属性或实体加属性的组合。具体可分为三种:Target-grounded aspect based sentiment analysis (TG-ABSA), Target no aspect based sentiment analysis (TN-ABSA), Target aspect based sentiment analysis (T-ABSA). 其中 TG-ABSA 的分析对象是给定某一个实体的情况下该实体给定属性集合下的各个属性的情感分析,如图 4 中的实体是汽车,属性集合是动力、外观、空间和油耗。

图 4 TG-ABSA 例子

TN-ABSA 的分析对象是文本中出现的实体的情感正负向,如图 5 中,实体华为和 XX 的情感正负向分别为正面和负面。这种情况下没有属性的概念,只有实体。

图 5 TN-ABSA 例子

T-ABSA 的分析对象是文本中出现的实体和属性组合,如图 6 所示,评价对象是实体+属性的组合,如华为+拍照和 XX+性价比。

图 6 TG-ABSA 例子

在清楚了目标级情感分析的分类之后,每个类别又都可以包含为两大类任务:第一个是评价对象的识别,第二个是情感识别。评价对象识别包括评价对象词抽取和评价对象词分类,情感识别包括评价词抽取和评价正负面分类。具体例子如图 7 所示。之所以要识别出对象词和评价词,是为了能够基于属性正负面过滤的时候可以高亮相应的评价文本片段。

图 7 评价对象和评价词和类别识别例子

本文主要介绍词级别情感分析、句子级情感分析和目标级情感分析中的 T-ABSA 的内容、方法和华为云语音语义团队在该领域实践中的一些成果。这里首先区分一些概念,本文所说的情感,包括 emotion 和 sentiment 两种。严格意义上来说 sentiment 属于 emotion 的一种,但是本文中不做区分。

词级文本情感分析

任务介绍

词级别的情感分析,即构建情感词典(sentiment lexicon),旨在给词赋予情感信息。这里首先要确定的是情感怎么表示,常见的表示方法有离散表示法和多维度表示法。离散表示法如情感分析领域常用的 {正面,负面,中性} 的表示方法,或者如表

图 8 离散情感模型,引用自 「1」

用离散表示法表示的情感词典如:

高兴-正面,生日-正面,车祸-负面,灾难-负面

多维度表示法也有多种,如 Valence-Arousal-Dominance(VAD)模型,Evaluation-Potency-Activity(EPA)模型等。Valence 和 Evaluation 表示好坏,arousal 和 activity 表示人的唤起度,dominance 和 potency 表示控制力。

图 9 Valence-Arousal 模型

用连续多维表示方法的情感词典例子如:

VAD 模型在 [1,9] 取值范围下:车祸可表示为 (2.05, 6.26, 3.76)

常见的方法

构建情感词典常见的方法如图 10 所示:

图 10 常见情感词典构建方法

人工标注优点是准确,缺点是成本太高。自动化方法中,都是先有人工标注一些种子词,然后通过不同的方法把种子词的标签信息扩展到其他词。基于点互信息的方法会基于大规模语料库统计新词和种子词之间的统计信息,然后基于该信息对种子词做加权求和得到信息的情感标签。基于标签传播的方法会先构建词和种子词的一个图,图上的边是基于词和词之间的统计信息获得。然后用标签传播的算法获得新词的情感信息。基于回归的方法先构建词的特征向量表示,然后基于种子词的标签信息训练一个回归或分类模型,得到该模型后再对新词做预测,获得新词的情感标签信息。

我们的进展

我们团队基于已经标注的情感词典,通过自动化的方法,构建了当前业界最大规模的多维度情感词典。

图 11 情感词典构建流程

基于该方法,我们构建了业界最大规模的情感词典库,采用了 Valence-Arousal 的二维情感表示模型,情感值取值范围为 [-1,.1](-1 表示不好(对应 Valence 维度)或无唤醒(对应 Arousal 维度),1 表示好或高唤醒度), 词典包含六百万词,例子如下:

图 12 构建的情感词典例子

句子文本情感分析

任务介绍

句子级和篇章级文本情感分析旨在整个句子或文章表达的情感倾向性,如下例子:

  • 买没几天就降价一点都不开心,闪存跑分就五百多点点 ---

  • 外观漂亮音质不错,现在电子产品基本上都是华为的了 ---

  • 汽车不错,省油,性价比高 ---

  • 这个政策好啊,利国利民 ---

当前各友商推出的情感分析服务大部分都是这种整体文本的正负向预测。句子级情感分析服务在互联网时代的电商评论、政策评价中有着广泛的应用价值。句子级情感分析是一个典型的文本分类任务,我们团队也采用了当前比较有效的预训练模型+微调的方案,如下图所示:

图 13 句子级情感分析方案

我们的进展

当前我们已经上线了电商、汽车和社交领域的情感分析模型,主要支持中文语言,标签是正面和负面,带有标签置信度。如下图的例子所示,分别是手机、汽车和社交领域。

图 14 EI 体验空间电商领域、汽车领域和社交领域例子

目标级文本情感分析

任务介绍

前面介绍的句子级或篇章级的情感分析只关注整个文本的正负面,没有区分文本中具体的评价对象。所以就处理不了如下的例子:

该例子对汽车的各个属性的评价正负面是不一样的,如对动力和外观来说是正面,对空间和油耗来说是负面,所以就不能简单的分析整体文本的正负面。本节介绍的目标情感分析中的 TG-ABSA 任务,即固定实体下的给定属性集合的评价正负面的预测。

我们的进展

传统的属性级情感分析可以采用每个属性训练一个情感分类模型。但是这种方法需要训练多个分类模型,成本比较高。我们提出了基于单模型多属性标签输出的方法,即一个模型同时输出 N 个属性的情感标签。图 15 是当前在汽车领域结果,其中 Attribute Hit Rate 是属性的命中率,即预测出的属性占评论中实际出现的比率。Hit Attribute Accuracy 是命中的属性标签预测的准确率,即在所有命中的属性中,标签预测正确属性的占比。因为我们的模型可以输出每个属性标签的置信度,所以可以基于置信度过滤来调节模型最终的输出标签,图中是个曲线。图 16 是汽车领域属性级情感分析的例子,可以同时预测出评论中出现的动力和外观两个属性对应的正负面。该功能支持汽车领域的八个属性的评价预测,包括:内饰、动力、外观、性价比、操控、能耗、空间、舒适性。

图 15 属性级情感分析的效果

图 16 汽车领域属性情感分析例子

最后,打个小广告。本文前面主要介绍了情感分析的概念以及华为云在情感分析方面的实践和进展,部分服务已经可以在我们的「EI 体验空间」小程序体验,欢迎大家体验并提出宝贵的意见。

情感分析服务可以用于商品评价智能化分析、智能评分等,欢迎大家体验。

关于作者

李明磊,华为云 NLP 算法专家,博士毕业于中国香港理工大学,从事文本情感分析和情绪识别的研究,在 TAC 发表论文多篇,多次获得最佳论文奖。目前在华为云主要负责华为云文本分类、情感分析、舆情监控平台等业务。主导的文本分类平台在汽车、电商、社交等领域的情感分析达到了业界领先的水平。汽车领域属性级细粒度情感分析 8 属性准确率均达到 90% 以上

参考文献:

1. Li, Minglei, Qin Lu, Yunfei Long, and Lin Gui. “Inferring Affective Meanings of Words from Word Embedding.” IEEE Transactions on Affective Computing 8, no. 4 (2017): 443–456.

本文为机器之心专栏,转载请联系本公众号获得授权。

✄------------------------------------------------

加入机器之心(全职记者 / 实习生):hr@jiqizhixin.com

投稿或寻求报道:content@jiqizhixin.com

广告 & 商务合作:bd@jiqizhixin.com

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-20,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 机器之心 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据|附代码数据
一旦我们清理了我们的文本并进行了一些基本的词频分析,下一步就是了解文本中的观点或情感。这被认为是情感分析,本教程将引导你通过一个简单的方法来进行情感分析 ( 点击文末“阅读原文”获取完整代码数据******** ) 。
拓端
2022/10/27
5090
浅谈 NLP 细粒度情感分析(ABSA)
买家除了对这个商品进行整体打分外,还会针对一些商品aspect(属性)进行文字评价,例如某个评论『这条裤子的材质很好,但是拉链太拉跨了』。从find-grained(细粒度)评价角度来说,买家对商品的“材质”这一aspect的评价为Positive,对“拉链”这一aspect评价为Negative,但aspect和对应的情感是隐式地体现在评价中,需要我们利用模型抽取出来
NewBeeNLP
2021/12/13
3.8K0
浅谈 NLP 细粒度情感分析(ABSA)
Bert on ABSA、ASGCN、GAN、Sentic GCN…你都掌握了吗?一文总结情感分析必备经典模型(三)
本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
机器之心
2023/08/07
6950
Bert on ABSA、ASGCN、GAN、Sentic GCN…你都掌握了吗?一文总结情感分析必备经典模型(三)
Python 文本挖掘:使用情感词典进行情感分析(算法及程序设计)
情感分析就是分析一句话说得是很主观还是客观描述,分析这句话表达的是积极的情绪还是消极的情绪。 原理 比如这么一句话:“这手机的画面极好,操作也比较流畅。不过拍照真的太烂了!系统也不好。” ① 情感词 要分析一句话是积极的还是消极的,最简单最基础的方法就是找出句子里面的情感词,积极的情感词比如:赞,好,顺手,华丽等,消极情感词比如:差,烂,坏,坑爹等。出现一个积极词就+1,出现一个消极词就-1。 里面就有“好”,“流畅”两个积极情感词,“烂”一个消极情感词。那它的情感分值就是1+1-1+1=2. 很明显这个分
机器学习AI算法工程
2018/03/14
21.2K4
Python 文本挖掘:使用情感词典进行情感分析(算法及程序设计)
TKDE 2023 | 方面级情感分析(ABSA)最新综述:任务、方法与挑战
机器之心专栏 作者:阿里巴巴达摩院 张雯轩 李昕 邴立东 Aspect-Based Sentiment Analysis (ABSA),属于情感分析 Sentiment Analysis 以及观点挖掘 Opinion Mining 方向的一个子领域,从名字也可以直观看出是在 aspect (常译为方面或属性) 级别开展情感和观点的分析。 得益于其丰富的应用场景,最近几年 ABSA 的研究工作不断涌现,各式新任务、新方法层出不穷。这虽然体现出学界对其的关注度,不过无形中也给大家做文献调研增添了不少困难。我们最
机器之心
2023/03/29
8470
TKDE 2023 | 方面级情感分析(ABSA)最新综述:任务、方法与挑战
情感分析(Sentiment Analysis)—机器学习自我提炼
数据时代,机器学习也进入了大众视野,我们身边到处都有机器学习应用的场景,如人脸识别、智能语音识别、手写数字识别、金融反欺诈和产品精准营销等等。
机器思维研究院
2019/06/10
23.4K0
情感分析(Sentiment Analysis)—机器学习自我提炼
情感分析的新方法,使用word2vec对微博文本进行情感分析和分类
情感分析是一种常见的自然语言处理(NLP)方法的应用,特别是在以提取文本的情感内容为目标的分类方法中。通过这种方式,情感分析可以被视为利用一些情感得分指标来量化定性数据的方法。尽管情绪在很大程度上是主观的,但是情感量化分析已经有很多有用的实践,比如企业分析消费者对产品的反馈信息,或者检测在线评论中的差评信息。 最简单的情感分析方法是利用词语的正负属性来判定。句子中的每个单词都有一个得分,乐观的单词得分为 +1,悲观的单词则为 -1。然后我们对句子中所有单词得分进行加总求和得到一个最终的情
机器学习AI算法工程
2018/03/15
5.7K0
情感分析的新方法,使用word2vec对微博文本进行情感分析和分类
【情感分析】基于Aspect的情感分析模型总结(一)
前面我们有实战过文本分类的一些模型算法,什么?太简单?!Ok,再开一个坑,接下去整一个稍微复杂点的,情感分析。当然一般的情感分析也是一个分类任务,就可以参考之前文本分类的思路,我们这一系列要看的是「Aspect Based Sentiment Analysis (ABSA)」,关于这一任务的比赛也非常多,可见十分实用呀。enjoy
zenRRan
2020/03/03
6.9K0
基于Python的情感分析案例——知网情感词典
情感分析指的是对新闻报道、商品评论、电影影评等文本信息进行观点提取、主题分析、情感挖掘。情感分析常用于对某一篇新闻报道积极消极分析、淘宝商品评论情感打分、股评情感分析、电影评论情感挖掘。情感分析的内容包括:情感的持有者分析、态度持有者分析、态度类型分析(一系列类型如喜欢(like),讨厌(hate),珍视(value),渴望(desire)等;或着简单的加权极性如积极(positive),消极(negative)和中性(neutral)并可用具体的权重修饰)、态度的范围分析(包含每句话,某一段、或者全文)。因此,情感分析的目的可以分为:初级:文章的整体感情是积极/消极的;进阶:对文章的态度从1-5打分;高级:检测态度的目标,持有者和类型。
全栈程序员站长
2022/10/02
5.1K2
基于Python的情感分析案例——知网情感词典
基于情感词典的情感分析方法
上节课我们介绍了基于SnowNLP快速进行评论数据情感分析的方法,本节课老shi将介绍基于情感词典的分析方法。基于情感词典的分析方法是情感挖掘分析方法中的一种,其普遍做法是:首先对文本进行情感词匹配,然后汇总情感词进行评分,最后得到文本的情感倾向。目前使用较多的情感词典主要有两种:一种是BosonNLP情感词典,另一种是知网推出的情感词典。
用户7569543
2020/12/08
9.2K3
斯坦福大学怎样讲“情感分析”
回复“斯坦福”,下载81页原版PPT 摘自:我爱公开课 网站:http://52opencourse.com 感谢我爱公开课小伙伴的真情付出! 一、自然语言处理概览——什么是自然语言处理(NLP) 1)相关技术与应用 自动问答(Question Answering,QA):它是一套可以理解复杂问题,并以充分的准确度、可信度和速度给出答案的计算系统,以IBM‘s Waston为代表; 信息抽取(Information Extraction,IE):其目的是将非结构化或半结构化的自然语言描述文本转化结构化的数据
大数据文摘
2018/05/23
1.1K0
MemNet、AT-LSTM、IAN、AF-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(二)
本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
机器之心
2023/08/07
5790
MemNet、AT-LSTM、IAN、AF-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(二)
这是一篇关于「情绪分析」和「情感检测」的综述(非常详细)
 随着互联网时代的迅速发展,社交网络平台已经成为人们向全世界传达情感的重要手段。有些人使用文本内容、图片、音频和视频来表达他们的观点。另一方面,通过基于 Web 的网络媒体进行的文本通信有点让人不知所措。由于社交媒体平台,互联网上每一秒都会产生大量的非结构化数据。数据的处理速度必须与生成的数据一样快,这样才能够及时理解人类心理,并且可以使用文本情感分析来完成。它评估作者对一个项目、行政机构、个人或地点的态度是消极的、积极的还是中立的。在某些应用中,不仅需要情绪分析,而且还需要进行情绪检测,这可以精确地确定个人的情绪/心理状态。「本文提供了对情感分析水平、各种情感模型以及情感分析和文本情感检测过程的理解;最后,本文讨论了情绪和情感分析过程中面临的挑战」。
ShuYini
2022/12/06
2.7K0
这是一篇关于「情绪分析」和「情感检测」的综述(非常详细)
CNN、GRNN、CLSTM、TD-LSTM/TC-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(一)
本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务,并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA!模型资源站(sota.jiqizhixin.com)即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。
机器之心
2023/08/07
9640
CNN、GRNN、CLSTM、TD-LSTM/TC-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(一)
R语言自然语言处理(NLP):情感分析新闻文本数据
本文对R中的文本内容进行情感分析。此实现利用了各种现有的字典,此外,还可以创建自定义词典。自定义词典使用LASSO正则化作为一种统计方法来选择相关词语。最后,评估比较所有方法。
拓端
2021/01/13
2.4K0
中文情感分析 (Sentiment Analysis) 的难点在哪?
作者:容哲 假设分析的对象是iphone5s的手机评论。从京东、亚马逊或者中关村都可以找到这款手机的评论。大致都如图所示。 情感分析(Sentiment Analysis) 第一步,就是确定一个词
机器学习AI算法工程
2018/03/14
2.4K0
中文情感分析 (Sentiment Analysis) 的难点在哪?
「情感分析领域」简单调研
情感分析或观点挖掘是对人们对产品、服务、组织、个人、问题、事件、话题及其属性的观点、情感、情绪、评价和态度的计算研究。
公众号guangcity
2019/09/20
1.1K0
「情感分析领域」简单调研
中南 | 情感分析革命:UniSA 引领多模态情感分析进入新纪元!(含源码!)
 情感分析是自然语言处理中的一项重要任务。它旨在利用多模态信息实现情绪分类进而了解人们的情绪状态。它由多个子任务组成,例如:会话情感识别(ERC)、aspect-based的情感分析(ABSA)和多模态情感分析(MSA)。最初的研究主要关注单个子任务,却忽略了这些子任务之间相互关联的情感知识。然而,要想将情感分析中的这些子任务进行统却存在一定的挑战,例如:统一的输入/输出形式、模态对齐和数据集偏差。
ShuYini
2023/09/14
8310
中南 | 情感分析革命:UniSA 引领多模态情感分析进入新纪元!(含源码!)
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据
一旦我们清理了我们的文本并进行了一些基本的词频分析,下一步就是了解文本中的观点或情感。这被认为是情感分析,本教程将引导你通过一个简单的方法来进行情感分析。
拓端
2021/07/16
2K0
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据
基于文本挖掘和情感分析的物流客户满意度测算研究
摘 要: 为合理评价电商平台物流客户满意度情况,提出一种基于评论大数据的物流客户满意度测算方法。首先,以生鲜电商为研究对象爬取大量在线评论,进行分词等操作并基于TF-IDF算法得出生鲜电商物流满意度的关键因素及其权重,随后构建物流属性词向量模型,结合词语权重和其与物流关键因素之间的相似性,区分每句话中的物流属性,确定用户重点关注的物流属性。然后,构建情感分析模型对物流相关评论进行情感分析,计算用户对物流各属性的满意度情况,得到评论中不同物流属性的客户满意度情况。
用户9868602
2022/09/02
1K0
基于文本挖掘和情感分析的物流客户满意度测算研究
推荐阅读
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据|附代码数据
5090
浅谈 NLP 细粒度情感分析(ABSA)
3.8K0
Bert on ABSA、ASGCN、GAN、Sentic GCN…你都掌握了吗?一文总结情感分析必备经典模型(三)
6950
Python 文本挖掘:使用情感词典进行情感分析(算法及程序设计)
21.2K4
TKDE 2023 | 方面级情感分析(ABSA)最新综述:任务、方法与挑战
8470
情感分析(Sentiment Analysis)—机器学习自我提炼
23.4K0
情感分析的新方法,使用word2vec对微博文本进行情感分析和分类
5.7K0
【情感分析】基于Aspect的情感分析模型总结(一)
6.9K0
基于Python的情感分析案例——知网情感词典
5.1K2
基于情感词典的情感分析方法
9.2K3
斯坦福大学怎样讲“情感分析”
1.1K0
MemNet、AT-LSTM、IAN、AF-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(二)
5790
这是一篇关于「情绪分析」和「情感检测」的综述(非常详细)
2.7K0
CNN、GRNN、CLSTM、TD-LSTM/TC-LSTM…你都掌握了吗?一文总结情感分析必备经典模型(一)
9640
R语言自然语言处理(NLP):情感分析新闻文本数据
2.4K0
中文情感分析 (Sentiment Analysis) 的难点在哪?
2.4K0
「情感分析领域」简单调研
1.1K0
中南 | 情感分析革命:UniSA 引领多模态情感分析进入新纪元!(含源码!)
8310
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据
2K0
基于文本挖掘和情感分析的物流客户满意度测算研究
1K0
相关推荐
R语言文本挖掘、情感分析和可视化哈利波特小说文本数据|附代码数据
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档