Rather than go into the details of

Rather than go into the details of all of these different classifiers, we will focus
our attention on how sentiment classifiers work. As with our previous examples,
let us consider how a person would identify the sentiment of some piece of text.
For a majority of cases, we use vocabulary clues in order to determine the sentiment.
For example, a positive digital camera review would likely contain words
such as “great”, “nice”, and “amazing”. On the other hand, negative reviews would
contain words such as “awful”, “terrible”, and “bad”. This suggests one possible solution
to the problem, where we build two lists. The first list will contain words
that are indicative of positive sentiment, and another list will contain words indicative
of negative sentiment. Then, given a piece of text, we could simply count
the number of positive words and the number of negative words. If there are more
positive words, then assign the text a positive sentiment label. Otherwise, label it
as having negative sentiment. Even though this approach is perfectly reasonable, it
turns out that people are not very good at creating lists of words that indicate pos-

ผลลัพธ์ (ไทย) 1:

แทนที่ไปลงรายละเอียดของคำนามภาษาแตกต่างกันเหล่านี้ทั้งหมด เราจะมุ่งเน้นเราให้ความสนใจในวิธีการทำงานของคำหลักภาษาความเชื่อมั่น เช่นเดียวกับตัวอย่างก่อนหน้านี้ของเราให้เราพิจารณาวิธีการที่บุคคลจะระบุความเชื่อมั่นของบางชิ้นของข้อความส่วนใหญ่ของกรณี เราใช้คำศัพท์เบาะแสเพื่อกำหนดเนื้อหาเช่น รีวิวกล้องดิจิตอลบวกมักจะประกอบด้วยคำเช่น "ดีเยี่ยม" "ดี" และ "ทึ่ง" บนมืออื่น ๆ จะลบความคิดเห็นประกอบด้วยคำต่าง ๆ เช่น "มาก" "กลัว" และ "ไม่ดี" นี้แสดงให้เห็นวิธีการแก้ปัญหาหนึ่งปัญหา ที่เราสร้างสองรายการนี้ รายการแรกจะประกอบด้วยคำที่บ่งบอกถึงความเชื่อมั่นบวก และรายการอื่นจะประกอบด้วยคำบ่งบอกถึงของความเชื่อมั่นค่าลบ แล้ว ได้รับชิ้นส่วนของข้อความ เราอาจเพียงแค่นับจำนวนจำนวนคำบวกและจำนวนลบคำ ถ้ามีเพิ่มเติมคำบวก แล้วกำหนดข้อความป้ายชื่อบวกความเชื่อมั่น มิฉะนั้น กำหนดชื่อมีความรู้สึกเชิงลบ แม้ว่าวิธีการนี้จะเหมาะสมสมบูรณ์ มันเปิดออกไม่ดีที่สร้างรายการคำที่บ่งชี้ว่า pos-

ผลลัพธ์ (ไทย) 2:

แทนที่จะไปลงรายละเอียดทั้งหมดของลักษณนามที่แตกต่างกันเหล่านี้เราจะมุ่งเน้น
ความสนใจของเราความเชื่อมั่นเกี่ยวกับวิธีการทำงานลักษณนาม เช่นเดียวกับตัวอย่างก่อนหน้านี้ของเรา
ให้เราพิจารณาวิธีการที่บุคคลจะระบุความเชื่อมั่นของชิ้นส่วนของข้อความบางส่วน.
สำหรับกรณีส่วนใหญ่เราจะใช้คำใบ้คำศัพท์เพื่อตรวจสอบความเชื่อมั่น.
ยกตัวอย่างเช่นการตรวจสอบกล้องดิจิตอลในเชิงบวกมีแนวโน้มที่จะมี คำพูด
เช่น "ที่ดี", "ความสุข" และ "น่าตื่นตาตื่นใจ" บนมืออื่น ๆ , ความคิดเห็นเชิงลบจะ
มีคำเช่น "อันยิ่งใหญ่", "น่ากลัว" และ "เลวร้าย" นี้แสดงให้เห็นวิธีการแก้ปัญหาที่เป็นไปได้อย่างใดอย่างหนึ่ง
ในการแก้ไขปัญหาที่เราสร้างสองรายการ รายการแรกจะมีคำ
ที่บ่งบอกถึงความเชื่อมั่นในเชิงบวกและรายการอื่นจะมีคำที่บ่งบอกถึง
ความเชื่อมั่นในเชิงลบ จากนั้นได้รับชิ้นส่วนของข้อความเราก็สามารถนับ
จำนวนคำในเชิงบวกและจำนวนของคำในเชิงลบที่ ถ้ามีอีก
คำบวกแล้วกำหนดข้อความฉลาก Sentiment เชิงบวก มิฉะนั้นป้ายมัน
มีความเชื่อมั่นในเชิงลบ แม้ว่าวิธีการนี้จะสมบูรณ์เหมาะสมก็
ปรากฎว่าคนไม่ดีมากที่การสร้างรายการของคำที่บ่งบอกถึง pos-