我最近開始使用 Python 學習 NLP 和 ML。我從情感分析開始。在進行情感分析時，我無法理解機器學習的作用。假設我正在使用 NLTK 的 SentimentIntensityAnalyzer 分析推文或新聞標題，并且正在加載與案例相關的詞典，因此我會得到極性和消極性、積極性、中性分數。現在我不明白的是，在這種情況下我應該使用本文中的代碼：ML 的情感圖解或者只是像 NLTK 那樣內置，甚至像 Google 的 BERT 之類的東西？歡迎任何答案或博客或教程的鏈接！
2 回答
喵喵時光機
TA貢獻1846條經驗 獲得超7個贊
SentimentIntensityAnalyzer是專門為分析情緒而構建的工具，它很容易使用，但可能會錯過一些情況，例如：
In [52]: from nltk.sentiment.vader import SentimentIntensityAnalyzer
In [53]: sia = SentimentIntensityAnalyzer()
In [54]: sia.polarity_scores("I am not going to miss using this product.")
Out[54]: {'neg': 0.0, 'neu': 0.829, 'pos': 0.171, 'compound': 0.1139}
一種機器學習方法，例如您鏈接中概述的方法，它更注重創建功能，通常使用 TF-IDF，但當然不限于此。然后在此基礎上使用機器學習。這種方法依賴于足夠好的和足夠大的訓練數據集的可用性。通常特征提取是更重要的部分，并且選擇簡單的模型，例如邏輯回歸。
BERT 是預訓練模型，可以進行微調，但我認為不一定要這樣，我發現微調對我的經驗有所幫助。
BERT的主要優點：
有了足夠的訓練數據，BERT 就會非常強大，有了足夠的訓練數據，它應該能夠正確地獲得我文章開頭的示例。這是一個巨大的優勢。
由于 BERT 已經經過預訓練，因此可能需要相對較少數量的訓練樣本才能給出良好合理的結果。
由于 BERT 不需要（或需要少得多）特征工程，因此在 ML 工程工作方面可以快速獲得良好的初始結果。
BERT 的主要局限性是：
學習曲線，主要是從概念上理解它是如何工作的。使用 BERT 并不是很難。
BERT 的訓練和預測速度很慢。即使對于小型數據集，您也必須至少使用中等 GPU。
缺乏透明度。真的很難知道為什么基于 BERT 的模型會提出它的建議。
慕容708150
TA貢獻1831條經驗 獲得超4個贊
NLP 本質上是 ML 的一部分，或者換句話說，使用 ML。它是“計算機和信息科學、人工智能和語言學的跨學科領域，探索文本或語音中的自然語言”。
NLP 任務之一就是您提到的情感分析，為此您可以使用各種 NLP 和 ML 工具。有各種各樣的 NLP 任務及其各自的庫，具體取決于您的目的，例如情感分析、主題建模和命名實體識別 (NER)。
即使針對同一任務，也有多個 NLP 庫。例如，在情感分析中，Huggingface、NLKT和spaCy可以實現相同的目的。您可以建議他們的文檔，并根據他們的性能和要求決定哪個適合您的任務。
添加回答
舉報
0/150
提交
取消