情绪分析软件主要使用三种方法：1、基于规则，基于规则的方法基于预定词典识别、分类和评分特定关键字；2、机器学习，这种方法使用ML技术和情绪分类算法教导计算机软件从文本中识别情感。3、混合，混合情绪分析的工作原理结合了 ML 和基于规则的系统。
情绪分析的方法有哪些？
情绪分析软件主要使用三种方法。
基于规则
基于规则的方法基于预定词典识别、分类和评分特定关键字。词典是代表作者意图、情感和情绪的词汇汇编。营销人员可以给正面词典和负面词典分配情绪得分，以反映不同表达方式的情感权重。为了确定一个句子是正面、负面还是中性，软件会扫描词典中列出的单词，并汇总情绪得分。最终得分将与情绪边界进行比较，以确定整体情绪影响。
基于规则的分析示例
考虑一个系统，在正面词典中有快乐、负担得起和快速等词，而在负面词典中有差、昂贵和困难等词。营销人员确定正面单词得分从 5 到 10，负面单词得分从 -1 到 -10。系统还设置了特殊规则，将双重否定（如不错）识别为正面情绪。营销人员认为，总体情绪得分高于 3 为正面，而 -3 到 3 则标记为混合情绪。
优点和缺点
基于规则的情绪分析系统很容易建立，但很难扩展。例如，当您在文本输入中发现新的用于传达意图的关键字时，您需要不断扩展词典。此外，在处理受不同文化影响的句子时，这种方法可能不准确。
ML
这种方法使用机器学习 (ML) 技术和情绪分类算法（如神经网络和深度学习），教导计算机软件从文本中识别情感。该过程涉及创建情绪分析模型，并对已知数据反复训练，以便能够高精度地猜测未知数据中的情绪。
训练
在训练过程中，数据科学家会使用包含大量示例的情绪分析数据集。ML 软件会使用数据集作为输入并训练自己以达到预定结论。通过使用大量不同的示例进行训练，该软件可以区分并确定不同的单词排列如何影响最终情绪得分。
优点和缺点
ML 情绪分析的优点在于能准确地处理大量文本信息。只要软件经过足够的示例训练，ML 情绪分析就可以准确预测消息的情感基调。然而，经过训练的 ML 模型只能用于特定业务领域。这意味着，在没有重新训练的情况下，经过营销数据训练的情绪分析软件不能用于社交媒体监控。
混合
混合情绪分析的工作原理结合了 ML 和基于规则的系统。混合情绪分析使用这两种方法各自的特性来优化在文本中推导上下文意图时的速度和准确性。然而，将这两个不同的系统结合起来需要时间和技术努力。
