文本分类是自然语言处理（NLP）最基础核心的任务，或者换句话说，几乎所有的任务都是「分类」任务，或者涉及到「分类」这个概念。情感分析是文本分类中非常主要的一个方向，应用场景非常广泛。

我们将中文文本情感分析分为三大类型，第一个是应用情感词典和句式结构方法来做的；第二个是使用传统机器学习方法来做的，例如Bayes、SVM等；第三个是应用深度学习的方法来做的，例如LSTM、CNN、LSTM+CNN、BERT+CNN等。
这三种方法中，第一种不需要人工标注，也不需要训练，第二种和第三种方法都需要人工标注大量的数据，然后做有监督的模型训练。

4种实现方法

├── sentiment-analysis
    └── sentiment_analysis_dict
    └── sentiment_analysis_bayes
    └── sentiment_analysis_albert
    └── sentiment_analysis_albert_emoji

基于词典的方法。

基于传统机器学习bayes的方法。

基于深度学习的方法，使用了语言模型ALBERT和下游任务框架TextCNN。

基于深度学习的方法，使用了语言模型ALBERT和下游任务框架TextCNN。
引入未知token（emoji是其中的一种），在微调过程中的同时学习未知token的语义向量，从而达到识别未知token情感语义的目的。

基于词典的文本情感分析（附代码）
文本分类 [ALBERT+TextCNN] [中文情感分析]（附代码）
中文情感分析 [emoji 表情符号]