Menangani Negasi dan Kasus Khusus

Penghitungan petunjuk gagal pada tidak baik, karena baik tetap mendapat skor positif. Negasi dapat membalikkan makna kalimat dan mengecoh pendeteksi naif.

Simpan daftar kecil kata negasi seperti tidak, tidak pernah, dan bukan. Saat salah satunya muncul, petunjuk tepat setelahnya biasanya bermakna sebaliknya.

Perbaikan sederhana: jika sebuah token merupakan kata negasi, balikkan sentimen kata yang mengikutinya sebelum menambahkannya ke skor Anda.

Negasi biasanya memengaruhi satu atau dua kata berikutnya, jadi terapkan jendela kecil. Membalikkan seluruh sisa kalimat akan menghasilkan koreksi berlebihan.

Kata-kata seperti sangat dan sungguh berfungsi sebagai pengintensif. Sangat baik terasa lebih kuat daripada baik, sehingga Anda dapat memberi bobot lebih besar pada petunjuk berikutnya.

Beberapa kata melembutkan perasaan. Sedikit dan nyaris merupakan pelemah yang seharusnya mengurangi bobot petunjuk yang dimodifikasinya.

Orang-orang mencurahkan emosi melalui emoji. Wajah tersenyum menambahkan sinyal positif dan wajah cemberut menambahkan sinyal negatif, jadi petakan emoji umum ke dalam leksikon Anda. 🙂

Perasaan yang kuat tampak melalui tanda baca yang diulang. Banyak tanda seru dapat meningkatkan bobot petunjuk di sekitarnya, karena luar biasa!!! terdengar lebih kuat daripada luar biasa.

Aturan tetap dapat melewatkan sarkasme seperti sungguh luar biasa, ada bug lagi. Tandai kasus dengan keyakinan rendah untuk ditinjau; batasan yang jujur lebih baik daripada kepastian palsu.

Ulasan panjang dapat berisi pujian dan keluhan sekaligus. Satu label menyembunyikan nuansa, jadi pertimbangkan untuk melaporkan sentimen pada tingkat kalimat agar gambaran yang diperoleh lebih jelas.

Setiap aturan baru menambal satu celah, tetapi menambah kompleksitas. Saat kasus khusus semakin banyak, model terlatih biasanya menanganinya dengan lebih baik.

Anda telah memperkuat pendeteksi terhadap negasi, pengintensif, emoji, dan sarkasme menggunakan aturan serta jendela kecil. Saat kasus khusus semakin menumpuk, gunakan model terlatih. ✅