如何进行目标层面的针对性情绪分析？ （IBM 沃森认知）

Question

我正在尝试评估与文本正文中出现的特定单词相关的情绪。目前我正在使用 IBM Watson 的目标情感分析 (natural_language_understanding.analyze)。但是，如果我有两个目标词“苹果”和“橙子”，以及句子“我喜欢苹果，但我不喜欢橙子。”，分析器将为两个目标给出相同的分数，因为程序最终使用目标来识别文本中的句子，然后提供该句子的情感。是否有一种替代方案可以提供目标级情感，而不是句子级情感，从而为“苹果”生成正数值分数，为“橙子”生成负数值分数？

我已经研究过使用IBM面向方面的情感分析页面中的sentiment-targeted_bert_multi_stock，但是，它似乎只提供情感_正向、情感_中性或情感_负向的标签作为输出。

Answer 1

目标级别情绪或目标情绪分析 (TSA) 可通过 Watson NLP 获得。

有一些现有的模型可以重用，基于 IBM 的 slate，例如：

import watson_nlp
    
# Load the model using its name
model_name = 'targets-sentiment_transformer-workflow_multilingual_slate.153m.distilled-cpu'
tsa_model = watson_nlp.load(model_name)
    
# Run the model on an input text
text = "I like apples but I do not like oranges."
tsa_predictions = tsa_model.run(text)

# For visualization or further analysis, convert the output to a DataFrame
from watson_nlp.pandas.converters.sentiment import targets_sentiment_to_pandas
target_mentions = targets_sentiment_to_pandas(text, tsa_predictions)

print(target_mentions)

将输出：

Watson NLP 中 TSA 的完整文档请参阅此处。

在 IBM 产品中

TSA 可通过 IBM 的 WatsonX（请参阅此处）和 Cloud Pak for Data（请参阅此处）中的Watson Studio 获得。该文档显示在目标情绪提取下。 这些产品附带的 NLP 运行时支持两种开箱即用的 TSA 模型，一种适用于具有 GPU 的环境，另一种适用于 CPU 优化。这些模型可以在基于笔记本的环境中使用，例如使用上面的代码示例。