Python 基于朴素贝叶斯情感分析的PoS实现

我试图在一个相对较大的数据集（10000行）上应用情绪分析（预测负面和正面推文）。到目前为止，我使用朴素贝叶斯和我的方法“final”来提取特征，只获得了约73%的准确率。我想添加PoS来帮助分类，但我完全不确定如何实现它。我试着编写一个名为“pos”的简单函数（我在下面发布了这个函数），并尝试使用我清理过的数据集上的标记作为功能，但这样只获得了大约52%的准确率。。有人能给我指引正确的方向，为我的模型实施PoS吗？多谢各位

def pos(word):
 return [t for w, t in nltk.pos_tag(word)]


def final(text):

   """
   I have code here to remove URLs,hashtags, 
   stopwords,usernames,numerals, and punctuation.
   """

   #lemmatization
   finished = []
   for x in clean:
      finished.append(lem.lemmatize(x))

   return finished

---

你应该先把推特分成几个句子，然后标记出来。NLTK为此提供了一种方法

   from nltk.tokenize import sent_tokenize
   sents = sent_tokenize(tweet)

---

在此之后，将此句子列表提供给您的

nltk.pos\u标记

方法。这应该会给出准确的POS标签。

在POS（x）中，x是单个单词还是整个推文？因为词性标记单个单词可能非常不准确。我用这一行将其应用于每个单词：clean_text=clean_text.apply（词性），其中“clean_text”是所有推文的标记化版本。那么我应该如何/在哪里申请pos？我道歉；我对这个完全陌生@非常感谢你的帮助