我从一个网站下载了评论，该网站询问人们是否支持或反对实施与移民有关的某些政治政策。
我想获得有关如何获得对该政策的总体支持/反对意见的任何资源或想法。
特别是，我需要一种正确识别以下所有评论在某些意义上是“反移民”的方法，例如：
同样，该方法应该能够识别“支持移民”的评论，例如：
我同意@thebiro - 您可以首先将评论样本分类为反对或支持该政策。如果你只需要基本的for/against分类，你可以做二元分类（例如反对= 0，for = 1）。如果您需要指定声明支持或反对该政策的程度，那么您可以定义一个标度来指示评论支持该政策的程度（例如强烈反对 = -3，强烈支持 = 3）。一旦您选择了规模并手动对示例评论进行分类，您就有了一个可用于训练模型的数据集。
获得训练数据后，您需要为每条评论提供一个数字表示。这里有太多可能的方法可以列举，但一些基本概念是词袋和词向量（又名词嵌入）。这个Kaggle 教程可能有助于解释这些概念。
最后，您需要训练一个模型，该模型将每条评论的数字表示作为输入并输出情绪得分（二进制为 0 或 1，或您的规模为数字）。对于您使用的模型类型，您有很多选择。如果您使用 Python，则可以使用 Scikit-learn 中的一种监督学习方法。Scikit-learn 还有一个处理文本的教程。您在手动分类的样本上训练模型（类似于model.fit(training_data_inputs)Scikit-learn 中的内容），然后预测数据集其余部分的输出（model.predict(test_data_inputs)在 Scikit-learn 中）。
有些人还使用神经网络进行情绪分析。Keras 是一个用于构建神经网络的优秀 Python 库，并且在 Github 上提供了情感分析示例。
您首先需要将这些评论分为支持移民和反移民。
然后，下一步应该是使用文本挖掘工具分析您的文档。