我嘗試過樸素貝葉斯分類器，它的工作非常糟糕。支持向量機的工作更好一些，但仍然可怕。大多數我讀過關於支持向量機和樸素貝葉斯的一些變種（n-gram，POS等）的論文，但他們都給出了接近50％的結果（文章的作者談論80％和高，但我不能得到相同的準確度在真實數據上）。良好的情感分析算法
除了lexixal分析，還有其他強大的方法嗎？支持向量機和貝葉斯假設這些詞是獨立的。這些方法被稱爲「袋子文字」。如果我們假設這些詞是相關聯的呢？
例如：使用apriory算法來檢測，如果句子包含「壞和可怕」，那麼70％的概率，句子是否定的。我們也可以使用單詞之間的距離等。
這是好主意還是我發明自行車？
你在這裏混淆了一些概念。樸素貝葉斯和支持向量機都不是綁在一起的單詞方法。 SVM和BOW方法都不具有術語之間的獨立性假設。
這裏有一些事情你可以嘗試：
像支持向量機，樸素貝葉斯和最大熵算法是監督機器學習算法，你的程序的輸出取決於你提供的訓練集。 對於大規模情緒分析，我更喜歡使用無監督學習方法，在這種方法中，人們可以通過將文檔聚類到面向相同的部分來確定形容詞的情感，並標記正面或負面的聚類。更多信息可以從這篇論文中找到。 http://icwsm.org/papers/3--Godbole-Srinivasaiah-Skiena.pdf
希望這有助於你在工作中:)
你可以找到一些Sentimnetal analysis using python有用的材料。 該報告總結情感分析爲3個簡單的步驟
情感分析正在進行的研究領域。現在有很多研究正在進行中。有關最新，最成功的方法的概述，我通常建議您查看SemEval的共享任務。通常，他們每年都會在Twitter的情緒分析上進行比賽。你可以找到描述任務的論文，並在2016年的結果（雖然可能有點技術性）：http://alt.qcri.org/semeval2016/task4/data/uploads/semeval2016_task4_report.pdf
從那裏開始，你可以看看描述各個系統的論文（在那裏引用） 。
你如何看待apriory算法和單詞之間的混淆？ – Neir0
@ Neir0：我不會立即看到你想如何應用它。我也從來沒有見過嘗試對它進行情緒分析。我知道有些人用它來構造二次內核的近似值（大致稱爲「單詞關聯」），但是我會首先嚐試使用vanilla kernel SVM。 –
直接的方法是輸入帶有徽章neg或pos的標記。例如：「pos我愛我的媽媽」。在輸出結果中，我得到了「如果我們有愛和媽媽的話，那麼70％，我們有pos徽章」。當然，我們可以修改此方法以獲得更好的結果。 – Neir0