用python对评论语料进行分句，并对其进行分词，明确其中的情感词。 2.根据词典，确定句子中的情感词的极性及权重，并根据确定否定词，根据确定的情感倾向计算模型计算情感值； 3.根据确定的方法和规则，在评论语料（不低于2000条）上进行实验，分析评测结果

这是一个任务，需要进行多个步骤的处理和分析。以下是可能的实现步骤和相关的Python库：

1. 分句和分词

可以使用中文自然语言处理工具包jieba进行中文分词，同时使用正则表达式或其他方法对评论语料进行分句。具体步骤可以参考以下代码：

import jieba
import re

# 加载情感词典
jieba.load_userdict('sentiment_dict.txt')

# 分句
def split_sentences(text):
    sentences = re.split('[。！？]', text)
    return sentences

# 分词
def tokenize(text):
    words = jieba.lcut(text)
    return words

# 读取评论语料
with open('comments.txt', 'r', encoding='utf-8') as f:
    comments = f.readlines()

# 处理每个评论
for comment in comments:
    # 分句
    sentences = split_sentences(comment)
    # 分词
    for sentence in sentences:
        words = tokenize(sentence)
        print(words)

2. 确定情感词极性和权重

可以使用情感词典，如知网情感词典或台湾大学NTUSD情感词典，来确定情感词的极性和权重。对于每个情感词，可以根据其极性和权重来计算情感值。同时，需要考虑否定词的作用，如“不”、“没”等。

3. 计算情感值并分析评测结果

根据确定的方法和规则，可以对每个评论计算情感值，并统计评测结果。评测结果可以包括情感分布、情感倾向、情感强度等。可以使用Python库进行情感分析，如snownlp、pyltp等。以下是使用snownlp进行情感分析的示例代码：

from snownlp import SnowNLP

# 加载情感词典
s = SnowNLP('这是一个情感词典')

# 计算情感值
sentiment_value = s.sentiments
print(sentiment_value)

需要注意的是，情感分析的结果可能存在误差，需要根据实际情况进行调整和优化。