【问题标题】：word sense disambiguation in sentiwordnet pythonsentiwordnet python中的词义消歧
【发布时间】：2013-04-03 06:31:18
【问题描述】：
我目前正在研究 Twitter 中的情绪分析。
我想结合预定义的词典资源，如 sentiwordnet 极性分数。然后进行机器学习。
问题是在得到sentiwordnet的正确分数上，以前的工作总是简单地通过词义的正负极性总分来选择。
我的意思是，例如“mad”这个词可以出现 3 次否定词和 2 次肯定词。
以前的大部分工作都会自动平均每个极性。
所以我想在得到分数之前消除单词的歧义，这样我们就可以真正使用应该的 sentiwordnet。
我正在通过比较目标句和光泽句的相似性来思考..
有什么方法可以比较吗？你认为它会起作用吗？
如果没有，请分享您的想法..
我是这个领域的新手和新手 python 程序员，所以我真的需要你的建议..
谢谢你。。
【问题讨论】：
标签：
python
nlp
wordnet
sentiment-analysis
word-sense-disambiguation
【解决方案1】：
这是一个词义消歧问题，要让您的系统在任何给定的多义词上正常工作将非常困难。您可以尝试（组合）几种方法来确定单词的正确含义：
位置标记会减少候选词义的数量。
WordNet 中句子的余弦相似度与词义的光泽度。
使用SenseRelate：测量目标词与其周围词的不同意义之间的“WordNet相似度”。
使用WordNet Domains：数据库包含分配给每个WordNet 意义的域标签，例如“摇滚”的音乐意义的“音乐”。无需比较在注释和句子中找到的实际单词，您可以比较在它们中找到的域标签。
不是通过在其中找到的单词本身来表示光泽和句子，而是作为单词的平均共现向量。可以使用大型文本语料库构建此类向量，最好来自与您正在消除歧义的文本相同的应用程序域。有多种技术可以细化此类共现向量（tf-idf、PCA、SVD），您应该单独阅读它们。
如果您的文本来自非常专业的领域（例如法律），则准确度会更高。但是，如果您使用通用语言文本，那么您只能期望在不高度多义的单词上具有良好的准确性（如果它们在 WordNet 中不超过 3-4 种意义）