我已经在 Python 中使用 NLTK 进行情感分析几天了，它是一个很棒的工具。我唯一担心的是它对“快速”这个词的看法。我正在处理的大多数数据都有关于某项服务的 cmets，而 MOST 将该服务称为“快速”，这显然对它有积极的看法。但是，NLTK 将其称为中立。我想知道是否有可能重新训练 NLTK 以现在将 Quick 形容词称为具有正面注释？
【问题讨论】：
标签： python nlp nltk sentiment-analysis
我已经解决了这个问题。在 AppData\Roaming\nltk_data\sentiment 中找到 vader Lexicon 文件。翻阅文件，我发现里面甚至没有“Quick”这个词。文件格式如下：
Token Mean-sentiment StandardDeviation [从 -4 到 4 的 10 个人收集的情绪得分列表]
我编辑了文件。拉上拉链。现在 NLTK 将 Quick 称为具有积极情绪。
【讨论】：
用于情感分析的模型通常是机器学习过程的结果。您可以通过在训练集上运行模型创建来生成自己的模型，在该训练集中以您喜欢的方式标记情绪，但这是一项艰巨的任务，尤其是在您不熟悉基础的情况下。
为了快速而肮脏的修复，也许只是让您的代码覆盖单个单词的情绪，或者（有点更具挑战性）弄清楚如何在现有模型中更改其值。虽然如果你能掌握 NLTK 维护人员训练他们的情绪分析并可以修改它的语料库，这可能比弄清楚如何更改现有模型要简单得多。如果你有自己的语料库，对你关心的所有词都有情感，那就更好了。
在一般用法中，“快速”在表面上并不是一个两极分化的词——事实上，“又快又脏”通常含糊不清，而“快速评估”比彻底更糟糕；当然，在您的特定情况下，快速交付的服务将主要是一件积极的事情。在您的领域中可能会有其他具有特定极性的词，即使它们不能被分配一个广义的极性，反之亦然——一些具有一般使用极性的词在您的领域中将是中性的。因此，训练您自己的模型可能值得付出努力，尤其是当您正在探索特定语域中的话语时。
【讨论】：