Senta

AI/机器学习Python
English 简体中文详细使用说明论文效果复现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）。
AI/机器学习Web后端前端工具部署/运维
作者：用户6868语言：Python更新：2026-10-27
仓库地址
https://gitee.com/baidu/Senta.git
前往原仓库
README

[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</td>
        <td><center>MPQA-H</td>
        <td><center>英文</td>
        <td><center>b-F1/p-F1</td>
        <td><center>83.67/77.12</td>
        <td><center>86.32/81.11</td>
        <td><center><a href="https://mpqa.cs.pitt.edu/corpora/mpqa_corpus/mpqa_corpus_2_0/" >下载地址</a></td>
    </tr>
    <tr>
        <td><center>MPQA-T</td>
        <td><center>英文</td>
        <td><center>b-F1/p-F1</td>
        <td><center>81.59/73.16</td>
        <td><center>83.67/77.53</td>
        <td><center><a href="https://mpqa.cs.pitt.edu/corpora/mpqa_corpus/mpqa_corpus_2_0/" >下载地址</a></td>
    </tr>
    <tr>
        <td><center>COTE_BD</td>
        <td><center>中文</td>
        <td><center>F1</td>
        <td><center>82.17</td>
        <td><center>84.50</td>
        <td><center><a href="https://github.com/lsvih/chinese-customer-review" >下载地址</a></td>
    </tr>
    <tr>
        <td><center>COTE_MFW</td>
        <td><center>中文</td>
        <td><center>F1</td>
        <td><center>86.18</td>
        <td><center>87.90</td>
        <td><center><a href="https://github.com/lsvih/chinese-customer-review" >下载地址</a></td>
    </tr>
    <tr>
        <td><center>COTE_DP</td>
        <td><center>中文</td>
        <td><center>F1</td>
        <td><center>84.33</td>
        <td><center>86.30</td>
        <td><center><a href="https://github.com/lsvih/chinese-customer-review" >下载地址</a></td>
    </tr>
</table>

## 代码结构

```text
.
├── README.md
├── requirements.txt
├── senta                    # senta核心代码，包括模型、输出reader、分词方法等
├── script                   # 情感分析各任务入口启动脚本，通过调用配置文件完成模型的训练和预测
├── config                   # 任务配置文件目录，在配置文件中设定模型的方法、超参数、数据等
```

## 一键化工具

为了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。具体安装和使用方法如下：

### 安装方法

本仓库支持pip安装和源码安装两种方式，使用pip或者源码安装时需要先安装PaddlePaddle，PaddlePaddle安装请参考[安装文档](https://www.paddlepaddle.org.cn/install/quick)。

1. pip安装
```shell
python -m pip install Senta
```

2. 源码安装
```shell
git clone https://github.com/baidu/Senta.git
cd Senta
python -m pip install .
```

### 使用方法
``