Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Baidu's open-source Sentiment Analysis System.
| Date | Stars |
|---|---|
| 2026-07-24 | 2013 |
| 2026-07-25 | 2013 |
| 2026-07-28 | 2013 |
| 2026-07-30 | 2013 |
| 2026-08-06 | 2013 |
Today
— stars today
This week
— stars this week
This month
— stars this month
Momentum
0.0
growth rate 0.00%/day
[English](https://github.com/baidu/Senta/blob/master/README.en.md)|简体中文
# <p align=center>`Senta`</p>
## 目录
- [简介](#简介)
- [SKEP](#SKEP)
- [代码结构](#代码结构)
- [一键化工具](#一键化工具)
- [详细使用说明](#详细使用说明)
- [Demo数据集说明](#Demo数据集说明)
- [论文效果复现](#论文效果复现)
- [文献引用](#文献引用)
## 简介
情感分析旨在自动识别和提取文本中的倾向、立场、评价、观点等主观信息。它包含各式各样的任务，比如句子级情感分类、评价对象级情感分类、观点抽取、情绪分类等。情感分析是人工智能的重要研究方向，具有很高的学术价值。同时，情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用，具有很高的商业价值。
近日，百度正式发布情感预训练模型SKEP（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis）。SKEP利用情感知识增强预训练模型， 在14项中英情感分析典型任务上全面超越SOTA，此工作已经被ACL 2020录用。
论文地址：https://arxiv.org/abs/2005.05635
为了方便研发人员和商业合作伙伴共享效果领先的情感分析技术，本次百度在Senta中开源了基于SKEP的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。
## SKEP
SKEP是百度研究团队提出的基于情感知识增强的情感预训练算法，此算法采用无监督方法自动挖掘情感知识，然后利用情感知识构建预训练目标，从而让机器学会理解情感语义。SKEP为各类情感分析任务提供统一且强大的情感语义表示。
百度研究团队在三个典型情感分析任务，句子级情感分类（Sentence-level Sentiment Classification），评价对象级情感分类（Aspect-level Sentiment Classification）、观点抽取（Opinion Role Labeling），共计14个中英文数据上进一步验证了情感预训练模型SKEP的效果。实验表明，以通用预训练模型ERNIE（内部版本）作为初始化，SKEP相比ERNIE平均提升约1.2%，并且较原SOTA平均提升约2%，具体效果如下表：
<table>
<tr>
<td><strong><center>任务</strong></td>
<td><strong><center>数据集合</strong></td>
<td><strong><center>语言</strong></td>
<td><strong><center>指标</strong></td>
<td><strong><center>原SOTA</strong></td>
<td><strong><center>SKEP</strong></td>
<td><strong><center>数据集地址</strong></td>
</tr>
<tr>
<td rowspan="4"><center>句子级情感<br /><center>分类</td>
<td><center>SST-2</td>
<td><center>英文</td>
<td><center>ACC</td>
<td><center>97.50</td>
<td><center>97.60</td>
<td><center><a href="https://gluebenchmark.com/tasks" >下载地址</a></td>
</tr>
<tr>
<td><center>Amazon-2</td>
<td><center>英文</td>
<td><center>ACC</td>
<td><center>97.37</td>
<td><center>97.61</td>
<td><center><a href="https://www.kaggle.com/bittlingmayer/amazonreviews/data#" >下载地址</a></td>
</tr>
<tr>
<td><center>ChnSentiCorp</td>
<td><center>中文</td>
<td><center>ACC</td>
<td><center>95.80</td>
<td><center>96.50</td>
<td><center><a href="https://ernie.bj.bcebos.com/task_data_zh.tgz" >下载地址</a></td>
</tr>
<tr>
<td><center>NLPCC2014-SC</td>
<td><center>中文</td>
<td><center>ACC</td>
<td><center>78.72</td>
<td><center>83.53</td>
<td><center><a href="https://github.com/qweraqq/NLPCC2014_sentiment" >下载地址</a></td>
</tr>
<tr>
<td rowspan="5"><center>评价对象级的<br /><center>情感分类</td>
<td><center>Sem-L</td>
<td><center>英文</td>
<td><center>ACC</td>
<td><center>81.35</td>
<td><center>81.62</td>
<td><center><a href="http://alt.qcri.org/semeval2014/task4/index.php?id=data-and-tools" >下载地址</a></td>
</tr>
<tr>
<td><center>Sem-R</td>
<td><center>英文</td>
<td><center>ACC</td>
<td><center>87.89</td>
<td><center>88.36</td>
<td><center><a href="http://alt.qcri.org/semeval2014/task4/index.php?id=data-and-tools" >下载地址</a></td>
</tr>
<tr>
<td><center>AI-challenge</td>
<td><center>中文</td>
<td><center>F1</td>
<td><center>72.87</td>
<td><center>72.90</td>
<td><center>暂未开放</td>
</tr>
<tr>
<td><center>SE-ABSA16_PHNS</td>
<td><center>中文</td>
<td><center>ACC</td>
<td><center>79.58</td>
<td><center>82.91</td>
<td><center><a href="http://alt.qcri.org/semeval2016/task5/" >下载地址</a></td>
</tr>
<tr>
<td><center>SE-ABSA16_CAME</td>
<td><center>中文</td>
<td><center>ACC</td>
<td><center>87.11</td>
<td><center>90.06</td>
<td><center><a href="http://alt.qcri.org/semeval2016/task5/" >下载地址</a></td>
</tr>
<tr>
<td rowspan="5"><center>观点<br /><center>抽取Excerpt of 20,290 characters
Read on GitHub
17
9
3
1
Would you bet a product on this? Bounded 0–100 and slow moving.
matched fp:9de762b0174a7bbc, topic:natural-language-processing, topic:sentiment-analysis, desc:sentiment analysis