nlp - 如何优化基于 TextBlob 的文本分析模型？

我刚刚构建了一个基于TextBlob. 我已经对en-sentiment.xml文件进行了大量修改，以包含我们部门常用的一些单词。我们在合规论坛工作，因此输入文本分析工具的文本性质非常正式和结构化。

我遇到的问题是“双重否定”。声明 - “根据我们的审查，没有发现重大例外。” - 是一个总体积极的声明，因为我们实际上是在说我们的审查后没有任何问题。但是，TextBlob polarity返回的分数是-0.02，这是不对的。我希望这非常接近 1。

单词no,material和exception在词典文件中分别被归类为否定词、中性词和否定词en-sentiment.xml，我已经考虑了停用词的影响。

任何人都可以建议一种方法来解决这个问题吗？实际上，我要问的是如何在这种情况下提高极性分数。谢谢！

PS我只是TextBlob作为一个起点进行实验；我很想听听任何使用 Python 中的其他 NLP 工具/包/库成功适应自然语言处理以进行正式/结构化文本分析的人的更多信息。

标签： nlpnltktextblob