結論與討論

首先，情緒詞典資料不平衡是影響模型預測結果的重要因素之一。不同情緒象限中的字詞數量並不平均，容易使模型在訓練過程中偏向學習樣本數較多的情緒類型，進而影響整體預測表現。

其次，中文情緒詞彙具有高度的語境依賴性。同一個詞彙在不同的歌詞或句子情境中，可能呈現出不同甚至相反的情緒含義，這使得無論是詞典式情緒分析方法或機器學習模型，在判斷情緒時都面臨一定程度的挑戰。

第三，情緒本身具有主觀性。即使在人工標註的過程中，不同標註者也可能因為個人理解與情緒感受差異，而對同一段歌詞給出不同的情緒判定。因此，在情緒分析中，模型的預測結果並不一定存在唯一的「正確答案」。

綜合而言，本研究結果顯示，在歌詞情緒預測中，結合深度學習方法並保留完整文本語境的模型，能夠獲得較佳的預測效果。然而，資料品質、標註方式以及情緒分類標準等因素，仍然是未來研究中值得進一步優化與改進的重要方向。

♬模型預測成功率比較

我們將各個模型的預測成功率整理成以下表格: