nlp - NLP 中各种情感分析技术的不同底层逻辑是什么?
问题描述
根据我的研究,这些是 NLP 中用于情感分析的基本技术。
手动方法: - 手动为每个单词分配情绪,然后汇总文档中所有单词的情绪。
词袋/朴素贝叶斯方法: - 基本上,获得每个词的正/负文档频率(例如,“好”这个词出现在所有“正面标记”的文档中的 69%,但仅出现在 21% 的“负面标记”文档中”。给“好”这个词一个特定的分数,像这样,给字典中所有其他唯一的词。例如,0.69-0.21 0.48~“好”这个词的分数。(如果这不是奖励的方式分数,然后请更新我)。然后简单地将所有这些单词概率乘以新文档或测试用例文档中出现的所有单词,以获得文档频率。
深度学习方法 使用神经网络而不是朴素贝叶斯,与上述相同。
TF-IDF/Word2Vec:- 代替简单的词频,也使用文档中每个词的相对位置。但不确定这对情绪分析有何帮助。可能只是更多的聊天机器人类型的应用程序。
还有更多这样的情感分析技术吗?我写的那些技术对吗?
解决方案
推荐阅读
- c++ - C++ 如果条件不起作用
- javascript - Javascript如何深度克隆其中包含对象的多维数组?
- vba - 什么属性会将插入符号(或光标类型栏)返回到 VBA Excel 用户窗体中的指定文本框?
- python-3.x - 如何确保 pandas.DataFrame.to_csv 立即刷新
- php - PHP:字符串自动转换为浮点数并给出负数
- json - 使用 jq 提取对 shell 变量的 json 响应
- javascript - 等待promise解决并在它执行时做其他事情
- registration - 注册前的 Buddypress 预加载页面
- cordova - Cordova cordova-plugin-googleplus 增量范围
- mysql - 我的测试通过但没有正常结束