#####词云展示涉及的算法：
Tf-idf:提取句子中关键词 tf-idf提取关键词是一种简单有效的提取关键词的方法.其思想主要在于预先统计在语料中出现的所有词的词频,计算出idf值, 然后再针对要提取关键词的文章或句子的每个词计算出tf值,乘起来便是tf-idf值.值越大表示作为关键词的优先级越高.
TextRank：提取文档中关键词构建词云 tf-idf是纯粹用词频的思想，完全没有用到词之间的关联性. 而textrank用到了词之间的关联性(将相邻的词链接起来), 以词为节点，以共现关系建立起节点之间的链接.即文本进行分词，去除停用词或词性筛选等之后，设定窗口长度为K，即 最多只能出现K个词，进行窗口滑动，在窗口中共同出现的词之间即可建立起无向边。
####情感分析涉及的算法：
Word2Vec算法:通过Word2Vec算法得到每个词语的高维向量（词向量，Word Embedding）表示，词向量把相近意思的词 语放在相近的位置。我们只需要有大量的某语言的语料，就可以用它来训练模型，获得词向量.词向量可以方便做聚类，用 欧氏距离或余弦相似度都可以找出两个具有相近意思的词语。
LSTM三分类模型:LSTM是一种特定的循环神经网络，增加了记忆单元c、输入门i、遗忘门f及输出门o，这些门及记忆单元组合 起来大大提升了循环神经网络处理长序列数据的能力。将一个句子中所有词向量输入到LSTM神经网络中，得到最后时刻的输出 用于分类即可判断句子的情感极性（消极，积极、中性）
####观点抽取涉及的算法：
AP聚类算法进行文本聚类： AP(Affinity Propagation)算法,称为仿射传播聚类算法、近邻传播聚类算法、亲和传播聚类算法，是根据数据点之间的相似 度来进行聚类，可以是对称的，也可以是不对称的。 该算法不需要先确定聚类的数目，而是把所有的数据点都看成潜在意义上 的聚类中心（exemplar）。这里通过词向量和词向量对应的tf-idf 值构建文本向量表示，文本之间的相似性通过两个文本向 量的余弦相似性得到。最后通过AP聚类算法得到观点数量，并从观点中筛选典型评论