（未完待续）

在 AI Challenger 2018 当了个小分母，发现一篇总结了各方案的文章，就据此整理一下 【用户评论细粒度情感分析】这一项目的解决方案吧。感谢各位将方案开源的小伙伴。

原文 https://mp.weixin.qq.com/s/qzXewYCs6JqSra2wUOHvAQ

题目

在线评论的细粒度情感分析对于深刻理解商家和用户、挖掘用户情感等方面有至关重要的价值，并且在互联网行业有极其广泛的应用，主要用于个性化推荐、智能搜索、产品反馈、业务安全等。本次比赛我们提供了一个高质量的海量数据集，共包含6大类20个细粒度要素的情感倾向。参赛人员需根据标注的细粒度要素的情感倾向建立算法，对用户评论进行情感挖掘，组委将通过计算参赛者提交预测值和场景真实值之间的误差确定预测正确率，评估所提交的预测算法。

详细介绍请参考该赛道主页：

https://challenger.ai/competition/fsauor2018

代码和方案

官方baseline

基于SVM，针对每一种粒度训练一个SVM分类模型，共20个。训练起来好像速度非常慢。

代码: https://github.com/AIChallenger/AI_Challenger_2018/tree/master/Baselines/sentiment_analysis2018_baseline

基于fastText的baseline:

使用 sklearn-fastText 做的分类，在官方baseline基础上修改，也是对每一类训练一个分类模型。可以达到 0.57 的 F1 值。训练很快，效果一般。

代码 https://github.com/panyang/fastText-for-AI-Challenger-Sentiment-Analysis 文章：AI Challenger 2018 细粒度用户评论情感分析 fastText Baseline (opens new window)

基于 SVM 的细粒度情感分析

达到 0.53 的 F1 值。 https://github.com/scruel/sentiment_analysis

第16名解决方案:

https://github.com/xueyouluo/fsauor2018

第17名解决方案：

https://github.com/BigHeartC/Al_challenger_2018_sentiment_analysis

基于Bert的尝试：

https://github.com/brightmart/sentiment_analysis_fine_grain

ai challenger Competitions 1:

Fine-grained Sentiment Analysis of User Reviews： https://github.com/ShawnXiha/Fine-grained-Sentiment-Analysis-of-User-Reviews

细粒度用户评论情感分析 (0.70201)：

https://github.com/pengshuang/AI-Comp 8.1 相关文章1：https://zhuanlan.zhihu.com/p/47207009 8.2 相关文章2：https://zhuanlan.zhihu.com/p/47278559

AI Challenger 细粒度用户评论情感分析线上0.62:

https://zhuanlan.zhihu.com/p/44857751