朴素贝叶斯情感分析评分python_比朴素贝叶斯更优秀的情感分析方法？答案在这里...

作者｜Samuel Pilcer

译者 & 编辑｜Debra

AI 前线导读：根据在线评论和评分，我们可以为客户提供关于其信誉度的深刻见解。我们会拆解评论文本了解评论的内容，并告诉我们的客户他们的客户在谈论什么，以及这些客户对其关键业务的满意度。

更多干货内容请关注微信公众号“AI 前线”(ID：ai-front)

例如，我们可以为客户识别提及价格的 100 条评论，通过分析这些评论的星级，我们可能会发现 80％的评论是积极的，评论的平均评分为 4.0。但是，这种方法仍有改进的空间：提及价格的积极评价不一定代表对价格满意。例如：

食物很棒，服务绝对优秀。但是这家咖啡店风格的餐厅价格非常高。

这个 5 星的评价显然是对餐厅的价格不太满意。我们需要一个模型来告诉我们句子或子句表达的情绪，以了解是哪些元素影响了评分等级。下面是我们为构建自己的情感挖掘工具而开发并使用的一些技术。

情感分析：了解线上用户表达的情绪

朴素贝叶斯分类器

朴素贝叶斯是首选，也是最容易进行文本情感分类的方法。它基于条件概率的贝叶斯公式：