我正在寻找文本情感分析（http://en.wikipedia.org/wiki/Sentiment_analysis）的开源实现，最好是python 。有谁熟悉我可以使用的开源实现？
我正在编写一个应用程序，该应用程序在Twitter上搜索某个搜索词，例如“ youtube”，并计算“快乐”推文与“悲伤”推文的数量。我正在使用Google的appengine，所以它在python中。我希望能够对来自Twitter的返回搜索结果进行分类，并且希望在python中进行分类。到目前为止，我还没有找到这样的情感分析器，特别是在python中。您熟悉我可以使用的这种开源实现吗？最好是已经在python中了，但是如果没有，希望我可以将其翻译成python。
请注意，我正在分析的文本非常简短，它们是推文。因此，理想地，此分类器针对此类短文本进行了优化。
顺便说一句，twitter确实在搜索中支持“ :)”和“ :(”运算符，其目的只是为了做到这一点，但是不幸的是，它们提供的分类并不是那么好，所以我想自己可以尝试一下。
谢谢！
Answers:
对于大多数这类应用程序，您必须投放大量自己的代码才能进行统计分类任务。正如Lucka所建议的那样，只要您的目标不干扰其许可证的非商业性质，NLTK就是在Python中进行自然语言操作的理想工具。但是，我建议使用其他软件包进行建模。我还没有找到许多可用于Python的强大高级机器学习模型，因此我将建议一些易于与Python配合使用的独立二进制文件。
您可能对Advanced Discriminative Modeling的工具包感兴趣，该工具包可轻松与Python交互。这已用于自然语言处理各个领域中的分类任务。您还可以选择许多不同的模型。建议您从最大熵分类开始，只要您已经熟悉实现朴素贝叶斯分类器即可。如果不是这样，您可能需要对其进行研究并进行编码，以真正真正地了解作为机器学习任务的统计分类。
得克萨斯大学奥斯汀分校的计算语言学小组开设了课程，其中大多数项目都使用了这一出色的工具。您可以查看Computational Linguistics II的课程页面，以了解如何使其发挥作用以及它以前服务于哪些应用程序。
同样有用的另一个好工具是Mallet。Mallet之间的区别是，有更多的文档和更多可用的模型，例如决策树，并且它是Java编写的，我认为这会使它变慢一些。 Weka是一个大包装中的一整套整套不同的机器学习模型，其中包含一些图形化内容，但实际上主要是出于教学目的，并不是我真正要投入生产的东西。
祝您工作顺利。真正困难的部分可能是您需要预先进行知识工程的数量，以便您对模型将要学习的“种子集”进行分类。它需要相当大，这取决于您是在进行二进制分类（快乐还是悲伤）或整个情绪范围（这将需要更多）。确保保留一些工程数据以进行测试，或者运行十倍测试或删除一个测试，以确保在将数据发布之前，您实际上在预测方面做得很好。最重要的是，玩得开心！我认为，这是NLP和AI的最佳部分。
祝你好运。
情感在很大程度上取决于上下文，而在Twitter上发布文化会使问题变得更糟，因为大多数推文都没有提供上下文信息。Twitter的全部意义在于，您可以利用大量共享的“现实世界”上下文，以非常短的消息形式进行有意义的交流。
如果他们说视频很差，那意味着差还是差？
一位语言学教授有一天在上课。她说：“用英语来说，双重否定构成肯定。在某些语言中，例如俄语，双重否定仍然是否定。但是，没有语言可以使双重肯定构成否定。”
房间后面传来一个声音，“是的。。。对。”
我已经建立了一个带有情感标签的单词表。您可以从这里访问它：
http://www2.compute.dtu.dk/pubdb/views/edoc_download.php/6010/zip/imm6010.zip
您会在我的博客上找到一个简短的Python程序：
http://finnaarupnielsen.wordpress.com/2011/06/20/simplest-sentiment-analysis-in-python-with-af/
这篇文章显示了如何在单个句子以及Twitter中使用单词列表。
单词列表方法有其局限性。您可以在文章“新的ANEW：评估微博中用于情感分析的单词列表”中找到我的单词列表的局限性调查。该文章可从我的主页获得。
请注意unicode(s, 'utf-8')，代码中缺少a （出于教学原因）。
许多研究论文表明，情感分析的一个很好的起点是寻找形容词，例如，它们是肯定形容词还是否定形容词。对于一小段文字，这几乎是您唯一的选择...有些论文可以查看整个文档或句子级别的分析，但是正如您所说的那样，tweet相当短...没有真正的魔术方法可以理解因此，我认为您最好的选择是寻找其中一份研究论文，并尝试获取其正面/负面定位形容词的数据集。
现在，已经说过，情感是特定于领域的，您可能会发现很难用通用数据集获得高级别的准确性。
祝好运。
看一下Twitter情绪分析工具。它是用python编写的，并且将Naive Bayes分类器与半监督机器学习结合使用。来源可以在这里找到。
我前段时间遇到过自然语言工具包。您可能会以此为起点。它还有很多模块和附加组件，因此也许它们已经具有类似的功能。
有点古怪的想法：您可以尝试使用Twitter API下载大量推文，然后使用表情符号对该集合的子集进行分类：“ :)”，“：]”，“：D”等正组，以及另一个带有“ :(”等的否定组。
一旦有了粗略的分类，就可以通过频率或ngram分析或类似的方式搜索更多线索。
这看起来很愚蠢，但是已经对此进行了认真的研究（“情感分析”和表情符号的搜索）。值得一看。
TweetFeel提供了一个Twitter Sentiment API，可以对推文进行高级语言分析，并可以检索正/负推文。请参阅http://www.webservius.com/corp/docs/tweetfeel_sentiment.htm
对于那些对从头开始编写Twitter Sentiment Analyis编码感兴趣的人，在GitHub上有Coursera课程“ Data Science ”和python代码（作为作业1- link的一部分）。情绪是AFINN-111的一部分。
您可以在此处找到可行的解决方案。除了AFINN-111情感列表之外，还有一种简单的实现方式，即根据具有pos / neg分数的推文中的术语频率构建动态术语列表（请参阅此处）。