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

Acest proiect oferă o colecție curatoriată de cuvinte chinezești de înaltă frecvență, non-informative, provenite din standarde academice și industriale. Servește drept set de date de referință și colecție de stopword-uri concepută pentru utilizarea în sarcini de procesare a limbajului natural (NLP). Repository-ul se concentrează pe preprocesarea textului chinezesc pentru a reduce zgomotul și a îmbunătăți acuratețea modelelor de machine learning. Oferă seturi de date filtrate special pentru regăsirea informațiilor în chineză, pregătirea analizei sentimentelor și curățarea generală a datelor. Proiectul utilizează lexicoane pre-compilate și stocare în fișiere plate pentru a permite filtrarea eficientă a stopword-urilor și agregarea vocabularului pentru corpora chinezești.

Acest proiect este o colecție de implementări Python pentru web scraping, interceptarea traficului de rețea, analiza datelor și analiza sentimentelor. Oferă metode pentru extragerea datelor structurate de pe site-uri web și interfețe de aplicații mobile. Colecția include instrumente pentru capturarea și analizarea pachetelor de rețea din aplicațiile mobile pentru a identifica endpoint-uri API interne ascunse. De asemenea, conține scripturi pentru evaluarea tonului emoțional și a percepției publice a datelor text. Proiectul acoperă manipularea și transformarea datelor din seturi mari de date, precum și generarea de grafice și diagrame pentru a identifica tendințele și modelele demografice.

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 is a Java deep learning framework and JVM model inference engine. It provides a high-level API for building and deploying deep learning models within the Java ecosystem, acting as a cross-platform runtime for executing models across CPUs, GPUs, and mobile devices. The library is engine-agnostic, allowing users to switch between different deep learning engines such as PyTorch, TensorFlow, and MXNet while maintaining a single unified API. This enables the deployment of the same model across different backends without changing the application code. The framework supports the f

Acest proiect este un framework de clasificare a textului în limba chineză bazat pe PyTorch. Oferă un pipeline bazat pe transformatoare, conceput pentru a categorisi secvențele în limba chineză în etichete predefinite folosind modele de deep learning. Implementarea suportă atât modelele de limbaj BERT, cât și ERNIE pentru procesarea și etichetarea textului complex în chineză. Aceste modele sunt utilizate pentru a efectua sarcini precum analiza sentimentelor și categorizarea generală a textului. Sistemul utilizează codificarea textului bazată pe transformatoare și pooling-ul secvențelor ponderat prin atenție pentru a converti caracterele brute în vectori de document. Utilizează fine-tuning-ul modelelor pre-antrenate și optimizarea cross-entropy loss pentru a adapta modelele la sarcini specifice de clasificare.