我想进行文本/情感分析。
我能够分析带有 3 个标签的样本：(positive, neutral, negative)我使用了 SVM、随机森林、逻辑回归和梯度提升等算法。
我的脚本工作正常，并且通过交叉验证，我可以采用 4 种算法中最好的算法。
我使用带有 python 函数“Countvectorizer”的监督算法
但是我的老板在网上打了“NLP”，看了一些文章。
他告诉我：“这 3 个输出还不够，我想要一个完整的语义分析，可以解释句子的全局含义”
他似乎对有监督和无监督算法没有偏好。
他告诉我，他想要一个算法能够判断“公司总裁入狱”等同于“首席执行官入狱”。
那么您知道如何执行此操作吗？以及如何在 Python 中实现它？我想我们需要一个充满单词的大数据库，我知道这不是一个非常具体的问题，但我想向他展示所有的解决方案。
让我害怕的是他似乎对此不太了解，例如他告诉我“你必须减少数据集的高维”，而我的数据集只有 2000 个文本字段。
非常感谢您的回答:)
使用您的三个标签：正面、中性或负面 - 您似乎更多地谈论情绪分析。这就回答了这个问题：写这段文字的人的情绪是什么？
语义分析是一个更大的术语，意思是分析文本中包含的含义，而不仅仅是情感。它寻找单词之间的关系，它们如何组合以及某些单词出现在一起的频率。
为了更深入地了解您的文本，您可以阅读以下主题：
tracking, tracked, tracker, 可能都简化为基本形式：track.您的下一步可能是搜索我提到的任何这些术语的博客和介绍。
这是一个来自 spaCy 的示例分析树：
然后，这将引用向量，这些向量描述了您的每个单词。一般来说，Word2Vec向量大约是 300 维的。您可能想要可视化单词，将它们绘制在 2d 空间中。您可以尝试像t-SNE这样的方法，它将 300d 向量映射到 2d 空间，允许显示关系的漂亮图，同时保留 300d 空间中描述的尽可能多的原始关系。当然，会有一些信息丢失，但你一开始就无法可视化 300d 向量！
使用单词的向量，您可以计算类似 0.92 和 0.92 之间的相似度（范围在 0 和 1 之间）president-CEO这意味着它们几乎是同义词！