我有大量的 yelp 数据，我必须将评论分为 8 个不同的类别。
类别
Cleanliness
Customer Service
Parking
Billing
Food Pricing
Food Quality
Waiting time
Unspecified
评论包含多个类别，所以我使用了 multilable 分类。但我很困惑如何处理正/负。示例评论可能对食品质量有利，但对客户服务不利。Ex-food taste was very good but staff behaviour was very bad. so review contains positive food quality but negative Customer service我该如何处理这种情况？我应该在分类之前进行情感分析吗？请帮我
我认为您的数据与餐厅评论非常相似。它包含大约 100 条评论，每条评论中包含不同数量的方面术语（更多信息）。因此，您可以像这样使用基于方面的情感分析：
1-Aspect term 提取
从评论中提取方面术语。
2 方面的极性检测
对于句子中给定的一组方面术语，确定每个方面术语的极性是正的还是负的。
3-识别方面类别
给定一组预定义的方面类别（例如，食品质量、客户服务），识别给定句子中讨论的方面类别。
4-确定极性
给定一组预先确定的方面类别（例如，食品质量、客户服务），确定每个方面类别的极性（正面、负面）。
有关类似项目的更多信息，请参阅此内容。
我希望这可以帮助你。
是的，您需要进行情绪分析。为什么不创建数据标记，即从句子中找到所需的单词，现在最可能的方法是找到相关单词及其情绪。即食物很好，但清洁度不合适
在这种情况下，您现在有 [ food, good, cleanliness, not, proper ] food 与其下一个术语和 cleanliness 与其下一个术语“不合适”相关联
再次，您可以将其分为两类，即 1,0 代表好与坏 .. 或者您可以根据您的情况添加类。然后你会有这样的数据：
--------------------
FEATURE | VAL
--------------------
Cleanliness 0
Customer -1
Service -1
Parking -1
Billing -1
Food Pricing -1
Food Quality 1
Waiting time -1
Unspecified -1
我已经举了一个例子，其中 -1,1,0 分别代表没有审查，好和坏。您可以将更多类别添加为 0,1,2 bad fair good 我可能不太擅长回答这个问题，但这就是我的感受。
注意：您需要了解您的模型不可能完美，因为这就是机器学习的全部内容，您一定是错的。你的模型不能给出一个完美的分类，它必须是错误的某些输入，它会随着时间的推移学习和改进。
有很多方法可以进行多标签分类。
最简单的方法是为每个类建立一个模型，如果评论达到该标签的某个阈值分数，您可以将该标签应用于评论。
这将独立处理这些类，但这似乎是解决您问题的好方法。