0

我使用Vader和TextBlob来分析新闻标题的情绪，结果好坏参半：许多我认为略微负面的标题被评为中性。这里有一些例子：

Who wants to live in an artificially intelligent future?
# Vader: {'compound': 0.4588, 'pos': 0.273, 'neu': 0.727, 'neg': 0.0}
# TextBlob: Sentiment(polarity=0.2840909090909091, subjectivity=0.40625)

The internet and social media provide huge opportunities for the coming generation, but there’s a dark side from which it must be protected.
# Vader: {'compound': 0.743, 'pos': 0.278, 'neu': 0.722, 'neg': 0.0}
# TextBlob: Sentiment(polarity=0.09444444444444448, subjectivity=0.45555555555555555)

For three months I’ve lived without tech and now realise we need to question its ever-encroaching invasion – before we end up in bed with a sex robot.
# Vader {'compound': 0.0, 'pos': 0.0, 'neu': 1.0, 'neg': 0.0}
# TextBlob Sentiment(polarity=0.0, subjectivity=0.0)

我认为第一句话可以以任何一种方式阅读，但后两句话肯定对他们有负面影响：“有一个黑暗的一面”和“它的不断入侵”，所以我很惊讶维德给了两个负面的痛苦0 和 TextBlob 给出 0 或以上的极性。

这些文本对于情感分析算法来说是根本困难的，还是我可以考虑另一种方法？

我提到的库的吸引力在于我不必制作自己的分类数据集，但如果我可能获得更好的结果，我可能会考虑它。

4

1 回答 1

1

基本区别在于，大多数当前工具都在处理单个单词的情感指数。例如，在文本中的任何地方找到“喜欢”或“优秀”将表示积极评价。您的示例更多地取决于对短语的一些“理解”，需要最少的解析。这是一个更详细的过程，需要对语言语义有更深入的理解。

您可以解决此问题的一种方法是用索引短语（作为单词插入）以及单词来填充词典。然后，您预处理输入以将这些短语转换为您在词典中使用的任何指示。例如，用下划线连接这些短语——“dark_side”在你的词典中，索引为负数。

我希望这能给你一个有用的方向。

于 2017-08-25T21:49:19.930 回答