当您查看 word2vec 生成的向量时 - 否定词可能具有独特的特征，但可以像肯定词一样对待。也就是说，就NN而言-这些只是相似的词。您可能必须在词向量之上构建“概念向量”来做您想做的事情。

您的词性标注应该自动将否定词标记为 ADV。然后，您可以将这些副词与您的动词一起作为正面或负面输出进行训练。这是一个使用 spacy 的示例：-

import spacy

nlp = spacy.load('en')        # this can take a while
sample_text = u'Do not go.'
parsed_text = nlp(sample_text)
token_text = [token.orth_ for token in parsed_text]
token_pos = [token.pos_ for token in parsed_text]

此时 token_text 将是您的单词列表，而 token_pos 将是 POS 标记：-

Do - VERB
not - ADV
go - VERB
. - PUNCT

如您所见，“not”在此处被标记为 ADV。您现在可以将此标记输出（或更好的解析树）输入第二个网络，以训练负输出或正输出。

希望这可以帮助。

有可能改进 word2vec 向量，正如研究表明的那样，它们可以同时捕获语义相关性和语义相似性，从而可以捕获单词之间的关系，例如反义词或否定词。您可以查看Counter-Fitting方法（或相关工作中的方法）。他们的实施应该可以在线获得。这可能会改善您的情绪分析方法的结果。

您可以查看这篇论文Querying Word Embeddings for Similarity and Relatedness。