案例02｜Lexicon、Deep Learning 與 Transformer：不同情感分析方法的取捨

一、案例定位

本案例依原書 6.2 整理。

比較 Lexicon-based、Traditional Machine Learning、Deep Learning 與 Transformer-based Sentiment Analysis。

二、學習目標

理解 Lexicon Method 與 Data-driven Model 的差異。
辨識 RNN、CNN、LSTM、BERT 等原書列舉模型。
理解 Fine-tuning 需要 Relevant Training Dataset。

三、案例情境

原書指出，Lexicon-based Method 依預先定義的 Sentiment Word List／Polarity Score；Machine Learning 與 Deep Learning 則從資料學習 Pattern。近期方法包含 Recurrent Neural Network（RNN）、Convolutional Neural Network（CNN）、Long Short-Term Memory（LSTM）及 BERT／Transformer。Hybrid Framework 可結合 Lexicon 與 ML，以改善 Interpretability／Cross-domain Adaptability。

四、開始資料

方法	原書特徵	限制／延伸
Lexicon-based	Predefined Word List／Polarity Score	一般較 Data-driven Method 不穩健
Traditional ML	SVM、Random Forest 等	依 Feature／Training Data
Deep Learning	RNN、CNN、LSTM、GRU	可捕捉更複雜 Semantic Relationship
Transformer	BERT 等	提升 Context／Generalization
Hybrid	Lexicon＋ML	可提升 Interpretability／Cross-domain Adaptability
Fine-tuning	Topic／Language-specific Adaptation	需要 Relevant Training Dataset

五、Excel／AI 分析方法

Excel 可依 Method、Training Data、Output Type、Domain、Language、Interpretability 比較；AI 可協助建立候選模型，但不能在無 Benchmark 時宣稱某模型必然最佳。

六、計算結果

原書沒有提供各模型統一的 Accuracy／F1 排名。

七、結果分析與管理解讀

模型越複雜不代表在所有 Domain 都更準。Training Corpus、Context、Language 與 Fine-tuning 都會改變實際表現。

八、AI 提問詞

請比較 Lexicon、Traditional ML、Deep Learning、Transformer、Hybrid Sentiment Analysis 的資料需求、可解釋性與 Domain Adaptation 條件。沒有來源數字時不要建立性能排名。