我正在使用Watson/Alchemy Sentiment Analysis API，发现一些文章被标记为负面，而这些文章可以说是正面的。当文章讨论好的或有益的减少时，就会发生这种情况。
例如，《华盛顿邮报》的这篇文章，"我们在美国的枪支暴力大幅下降。原因如下。"当提交给API时，它的得分为-0.4，尽管这篇文章相当乐观！（文章认为，枪支暴力事件显著减少。）
另一个例子是CoreLogic的这篇文章，《CoreLogic2016年1月完成的38000次赎回权报告》。API的文件情绪得分为-0.27，尽管文本是正面的："……与2015年1月相比，止回库存下降了21.7%，完成的止回权下降了16.2%。全国已完成止赎的数量同比下降，从2015年1月的46000起下降到2016年1月。"
是否有解决此问题的既定解决方法？具体来说，当细心的读者对此类文章的评价与API的建议截然不同时，我们不想损害服务的可信度，也不想损害我们的结果。我正在寻找一些可以让我修改特定案件的情绪结果的东西（例如，"取消抵押品赎回权的减少"是积极的，"凶杀案的减少"也是积极的）。
我相信这很正常：-）很少有情绪分析算法能在100%的结果中给你正确的答案：-）我不知道算法的实现，但我敢打赌，情绪是根据表情和单词的"情绪"计算出来的。例如，"枪支"、"暴力"很可能与负面情绪有关，但Watson可能没有理解它们与"大规模衰退"有关（即使是"衰退"也可能有负面情绪）。
即使是最先进的情绪分析算法，在非常特定的领域也可以达到85%到90%的准确率。因此，在此基础上设定期望值总是很重要的。