问总结三种基于词汇的情感分析方法？

EN

你建议的是一些非常简单的集合学习形式。您需要至少有一个标签数据样本，以评估任何方法。使用这些标记的数据，您可以：

• 对这三种方法各自进行评估。
• 评估平均3种方法预测的想法
• 如果你有足够的标签数据，你甚至可以训练一个模型，它最优地结合了他们的预测(这将是成熟的叠加泛化)。

这种技术的优缺点是什么？

上下文不敏感:您提到的库是用于一般情感分析的，因此您可能会遇到一些错误的肯定/错误的负面问题。

• 假阳性词:字典中不适用于标题-e.g的具有特定情感的词。"low“一般都有负面含义，但在"covid cases remain low"中甚至可能是肯定的)。
• 假否定句:通常不带有情感信息但会出现在头条新闻中的词，例如，在我们假设已经达成协议并应保持有效的情况下，"New Brexit deal on the table"将是负面的。

低覆盖率:如果我没记错的话，你提到的工具都是基于字典的或预先训练过的.这些字典/培训不太可能是为您的用例优化的。通常，你最好在特定领域的数据上训练你自己的分类器。

据我所知，这些图书馆无法系统地处理逻辑否定或极性逆转等现象。在某些情况下，它们可能包含n克信息，这些信息允许他们将"i_like"区分为阳性，将"i_don't_like"区分为阴性，但可能无法处理大多数长尾案件，如"signed_the_deal“和"uk_signed_the_brexit_deal"中的"didn't_sign_the_deal"”。极性反转指"low number of covid cases" (通常是good -unless，您的领域是科维德的医学研究，更多的案例更好，因为它们代表更多的数据)和"low confidence in the Spanish government" (通常情况下，除非您是押注于西班牙经济的对冲基金经理)之间的“低”情况。

而且，一旦运行了这三个分析，我如何才能将它们融合成一个单一的度量标准？是否将这3项指标标准化/规范化并对其进行平均化是一个很好的解决方案？

我完全同意Erwan的意见，你应该收集一个测试用例样本，你可以用来进行监督评估和参数微调。

正如你建议的方法的潜在风险一样，确保你从不同的模型中得到的分数既不完全相关(在这种情况下，你只需要使用最好/最快的模型)，也不能是正交的(在不太可能的情况下，有些模型往往相互矛盾，你应该找出哪些模型是“说谎”的)。

还有另一个潜在的风险，更有趣的是:所有模型都是互补的，涵盖情感领域不同的子空间:如果一个模型特别擅长捕捉政治标题中的情绪，另一个在财经标题中，另一个在体育标题中，你可能最终会得到大量的预测，其中正确的(非中性的)预测必须与两个错误的中性预测相竞争，并且总是被平均化，可能会导致大量的虚假否定。平均的另一种方法是只选择最高置信度预测，特别是如果其他两种预测是中性的。