Awesome GitHub RepositoriesLexicon-Based Sentiment Analyzers

SnowNLP is a Python library for Chinese natural language processing. It provides tools for text segmentation, sentiment analysis, document classification, and phonetic transliteration. The library includes capabilities for training and saving custom machine learning models for tokenization and sentiment analysis using raw training datasets. It covers a range of linguistic processing areas, including parts of speech tagging, sentence splitting, and text similarity measurement. The toolkit also provides utilities for extracting key information through text summarization and calculating word im

nlp.js is a JavaScript natural language processing library and development framework used to build natural language understanding engines. It provides a toolkit for creating local machine learning models for intent classification and acts as a multilingual text processor that detects languages and normalizes text across various dialects. The framework distinguishes itself by supporting local execution on both servers and mobile devices, enabling chatbot functionality without an internet connection. It features a specialized system for conversational slot filling to collect mandatory informati

This project provides a curated collection of high-frequency, non-informative Chinese words sourced from academic and industry standards. It serves as a reference dataset and a stopword collection designed for use in natural language processing tasks. The repository focuses on Chinese text preprocessing to reduce noise and improve the accuracy of machine learning models. It provides filtered datasets specifically for Chinese information retrieval, sentiment analysis preparation, and general data cleaning. The project utilizes pre-compiled lexicons and flat-file storage to enable efficient st

Este proyecto es una colección de implementaciones en Python para web scraping, interceptación de tráfico de red, análisis de datos y análisis de sentimiento. Proporciona métodos para extraer datos estructurados de sitios web e interfaces de aplicaciones móviles. La colección incluye herramientas para capturar y analizar paquetes de red de aplicaciones móviles para identificar puntos finales de API internos ocultos. También cuenta con scripts para evaluar el tono emocional y la percepción pública de los datos de texto. El proyecto cubre la manipulación y transformación de datos de grandes conjuntos de datos, así como la generación de gráficos para identificar tendencias y patrones demográficos.

VADER (Valence Aware Dictionary and sEntiment Reasoner) is a rule-based, lexicon-driven sentiment analyzer that assigns polarity scores to text by matching words against a curated sentiment dictionary and applying linguistic heuristics. It processes text at the sentence level, returning a compound score normalized between -1 (negative) and +1 (positive) along with separate positive, neutral, and negative intensity breakdowns. What distinguishes VADER from simpler lexicon models is its built-in grammatical rule engine. It adjusts scores for negation (e.g., “not good” reduces positivity), contr

Deep Java Library es un framework de deep learning para Java y motor de inferencia de modelos para la JVM. Proporciona una API de alto nivel para construir y desplegar modelos de deep learning dentro del ecosistema Java, actuando como un runtime multiplataforma para ejecutar modelos en CPUs, GPUs y dispositivos móviles. La librería es agnóstica al motor, permitiendo a los usuarios cambiar entre diferentes motores de deep learning como PyTorch, TensorFlow y MXNet mientras mantienen una única API unificada. Esto permite el despliegue del mismo modelo en diferentes backends sin cambiar el código de la aplicación. El framework soporta el ciclo de vida completo del machine learning, incluyendo la construcción y entrenamiento de arquitecturas de redes neuronales y la ejecución de inferencia en tiempo real. Incluye capacidades para la inferencia de machine learning distribuida para escalar predicciones a través de tuberías de big data y la capacidad de desplegar modelos como microservicios o dentro de aplicaciones cliente. El sistema cubre una amplia gama de dominios, incluyendo visión por computadora para detección de rostros y clasificación de imágenes, y procesamiento de lenguaje natural para análisis de sentimiento y embeddings de oraciones.

Este proyecto es un framework de clasificación de texto en chino basado en PyTorch. Proporciona un pipeline basado en transformers diseñado para categorizar secuencias de idioma chino en etiquetas predefinidas utilizando modelos de deep learning. La implementación admite modelos de lenguaje BERT y ERNIE para procesar y etiquetar texto complejo en chino. Estos modelos se utilizan para realizar tareas como análisis de sentimiento y categorización general de texto. El sistema utiliza codificación de texto basada en transformers y pooling de secuencias ponderado por atención para convertir caracteres sin procesar en vectores de documento. Emplea ajuste fino (fine-tuning) de modelos preentrenados y optimización de pérdida de entropía cruzada para adaptar los modelos a tareas de clasificación específicas.