我使用以下方法来计算 200 个短句的情绪。我没有使用训练数据集：
for sentence in textblob.sentences:
print(sentence.sentiment)
分析返回两个值：极性和主观性。 根据我在网上阅读的内容，极性分数是 [-1.0, 1.0] 范围内的浮点数，其中 0 表示中立，+1 表示非常积极的态度，-1 表示非常消极的态度。主观性是 [0.0, 1.0] 范围内的浮点数，其中 0.0 非常客观，1.0 非常主观。
那么，现在我的问题是：这些分数是如何计算的？
我几乎有一半的短语的极性得分为零，我想知道零是否表示中立，或者更确切地说，该短语不包含具有极性的单词。 我想知道另一个情绪分析器的同样问题：NaiveBayesAnalyzer。
感谢您的帮助！
玛丽
【问题讨论】：
根据 TextBlob 创建者 Steven Loria，TextBlob 的情绪分析器委托给 pattern.en 的情绪模块。 Pattern.en 本身使用基于字典的 approach 并带有一些启发式方法来处理，例如否定。您可以找到源代码 here，它是 pattern.en 文本模块的供应商版本，对 Python 3 的兼容性进行了细微调整。
【讨论】：
TextBlob NaiveBayesAnalyzer 显然基于斯坦福 NLTK。这里解释了一般的朴素贝叶斯算法： A simple explanation of Naive Bayes Classification
这里描述了它在情感和客观性方面的应用： http://nlp.stanford.edu/courses/cs224n/2009/fp/24.pdf
基本上你是对的，某些词会被标记为“40% 正面/60% 负面”，具体取决于它们在某些训练数据体中的使用方式（对于斯坦福 NLTK，训练数据是电影评论） .然后将句子中所有单词的分数相乘以产生句子分数。
我没有测试过，但我希望如果库返回正好 0.0，那么您的句子不包含任何在 NLTK 训练集中具有极性的单词。我怀疑研究人员没有将它们包括在内，因为 1）它们在训练数据中太少了，或者 2）它们被认为是无意义的（例如“the”、“a”、“and”等）。
这适用于朴素贝叶斯分析器。关于 PatternAnalyzer，TextBlob 文档说它基于“模式”库，但它似乎没有记录它是如何工作的。我怀疑类似的事情正在发生。
【讨论】：