awessome 0.0.14

很好

一个嵌入许多情绪的情绪记分器（AWESSOME）是一个框架 预测句子情感强度的目的。在

一个靠感情种子词和文字植入， 其中两个句子的向量表示之间的相似性被认为是 反映了他们感情上的相似性。在

AWESSOME利用已有的词典（[VADER]（https://github.com/cjhutto/vaderSentiment）， [LabMT]（https://trinker.github.io/qdapDictionaries/labMT.html）），但也可以使用自定义词典，并使用AWESSOME创建。在

AWESSOME还借鉴了语言模型的最新进展，通过使用HuggingFace中的Transformers，使用BERT、RoBERTa等创建单词嵌入

AWESSOME是可伸缩的，不需要任何训练数据，同时提供更细粒度（和准确的）情感强度得分的单词，短语和文本。在

引文信息

如果你在研究中使用了一些情绪分析工具，请引用下面的文章。例如：

Htait, A. & Azzopardi, L. (2020). …… 2020.

安装

要安装AWESSOME，请执行以下操作：

1. 最简单的方法是使用命令行使用pip从[PyPI]进行安装，例如pip install awessome
2. 如果您已经有了AWESSOME并且只需要升级到最新版本，例如pip install–upgrade AWESSOME
3. 您还可以克隆这个[GitHub repository]：https://github.com/cumulative-revelations/awessome
4. 您可以下载并解压缩[full master branch zip file]：https://github.com/cumulative-revelations/awessome/archive/master.zip

除了awessomepython模块之外，您还将下载两个词典字典（[VADER]（https://github.com/cjhutto/vaderSentiment）， [标签]（https://trinker.github.io/qdapDictionaries/labMT.html））。在

Python演示和代码示例

AWESSOME框架可以灵活地适应不同的种子词汇和不同的神经单词嵌入模型，从而生成特定于语料库的词汇，而不需要进行广泛的监督学习和再培训。在

通过参数，AWESSOME可以：

1. 在不同的预训练语言模型之间进行选择，例如：BERT（BERT-basenli-mean-tokens）和Distilbert（Distilbert-base-nli-stsb-mean-tokens） 注意：一些预先训练过的语言模型需要GPU。在
2. 对种子列表中每个词的句子相似度采用不同的聚合方法：平均值（avg）、最大值（max）和和和（Sum）。在
3. 选择[scipy]（https://www.scipy.org/）提供的两种可能的相似性度量之一：余弦和欧几里得。 注：如果没有提供相似性度量，则余弦作为默认度量。在
4. 选择一个正种子和负种子列表的源，用户可以在其中提供新的词典文件，或者使用预先构建的词典：vader或labmt（基于vader和labmt情感词典构建）。 注意：如果没有提供词典文件，vader将作为默认种子列表源应用。在
5. 选择基于词典文件创建的种子列表的大小。 注意：如果没有提供大小，值500将用作默认种子列表大小。在
6. 此外，AWESSOME还提供了对种子应用“加权相似性”的可能性，方法是将相似性分数乘以种子的情感得分。 用户只需选择“加权”作为真或假，就可以选择使用该功能。 注：如果未提供加权值，则默认为False。在

添加了一个示例演示，其名称为：awessome_py演示在

0.0.1（2020年10月20日）

• First Release