如何基于IBM Watson实现输出数值得分的目标级情感分析？

针对你遇到的IBM Watson目标情感分析无法区分多目标情感的问题，以下是几个能输出目标级数值情感得分的可行方案：

1. 基于Hugging Face的ABSA预训练模型 #

直接使用现成的Aspect-Based Sentiment Analysis（ABSA）预训练模型，这类模型专门针对文本中特定目标输出独立的情感得分，无需额外训练即可适配多数通用场景。

示例代码：

from transformers import pipeline

# 加载支持多语言、输出数值得分的ABSA模型
absa_pipeline = pipeline("aspect-based-sentiment-analysis", model="yangheng/deberta-v3-base-absa-v1.1")
# 输入句子和需要分析的目标词
analysis_result = absa_pipeline("I like apples but I do not like oranges.", aspects=["apples", "oranges"])

# 遍历输出每个目标的情感信息
for item in analysis_result:
    print(f"目标词: {item['aspect']}")
    print(f"情感得分: {item['score']}")  # 得分范围0-1，越接近1表示正向情感越强，越接近0表示负向越强
    print(f"情感标签: {item['sentiment']}\n")

运行后，apples会得到接近1的正向得分，oranges会得到接近0的负向得分，完全满足需求。

2. VADER+上下文拆分（轻量方案） #

如果不需要大模型，可结合VADER情感分析工具（专门针对英文文本优化），通过拆分目标词对应的上下文片段，单独分析每个片段的情感得分。这种方案适合句式结构清晰的文本。

示例代码：

from nltk.sentiment import SentimentIntensityAnalyzer
import nltk
nltk.download('vader_lexicon')

sia = SentimentIntensityAnalyzer()
target_sentence = "I like apples but I do not like oranges."

# 拆分出每个目标对应的上下文
apple_context = target_sentence.split("but")[0].strip()
orange_context = target_sentence.split("but")[1].strip()

# 分别计算情感得分（compound字段为综合得分，范围-1到1，正数正向、负数负向）
apple_score = sia.polarity_scores(apple_context)['compound']
orange_score = sia.polarity_scores(orange_context)['compound']

print(f"apples 情感得分: {apple_score}")
print(f"oranges 情感得分: {orange_score}")

该方案优点是速度快、资源消耗低，但需要根据文本结构自行调整上下文拆分逻辑。

3. 自定义微调ABSA模型（定制化方案） #

如果需要适配特定行业或场景的文本，可基于公开ABSA数据集（如SemEval系列数据集）微调BERT/RoBERTa等基础模型，将任务设置为情感得分回归任务，直接输出-1到1之间的连续数值得分。这种方案能最大程度匹配业务需求，但需要一定的机器学习基础和训练资源。

内容的提问来源于stack exchange，提问作者amll