在ML-Based TSA领域主要的研究方法是基于知识（Knowledge-based TSA）或统计（Statistical-based TSA）亦或两者混合（Hybrid-based TSA）。基于知识的 TSA 通常基于词典和语言规则。不同的词典，如 WordNet、WordNet‑Affect、SenticNet等通常包含一个词袋及其语义极性。基于词典的方法可以将给定的单词分为正面或负面，但如果没有语言规则，效果很差，因此由于知识本身的局限性，基于知识的模型仅限于理解那些典型且严格定义的概念。基于此，[Ding 等人](Y. Ganin, E. Ustinova, H. Ajakan, P. Germain, H. Larochelle, F. Laviolette, M. March, V. Lempitsky, Domain-Adversarial Training of Neural Networks, J. Mach. Learn. Res. 17 (2016) 1–35. )采
版权声明：除特殊说明，博客文章均为SATAKAUI原创，依据CC BY-SA 4.0许可证进行授权，转载请附上出处链接及本声明。