詞典法

♬情緒詞典資料範例

在情緒詞典中，每一個詞都會有 Valence 與 Arousal，透過字詞的 Valence 與 Arousal，我們可以將情緒投影到四個象限中。

四個象限分別是Q1快樂（High Valence / High Arousal）、Q2憤怒（Low Valence / High Arousal）、Q3悲傷（Low Valence / Low Arousal）、Q4平靜（High Valence / Low Arousal）

♬詞典法【情緒類別】

此圖為以字詞數量為主導的混淆矩陣，橫軸為預測類別（Predicted），縱軸為實際類別（True），對角線上的數值代表預測正確的樣本數。

Q1（快樂／興奮):顯示出「正向且高激起」的特徵在詞頻統計上相對明顯。

Q2（憤怒／焦慮):能辨識出負向情緒，但常與Q3產生混淆，表示在處理「負向且高激起」情緒時，容易抓不到情緒強度導致誤判。

Q3（悲傷／沮喪):顯示出「負向且低激起」的特徵在數量上有一定的辨識基準。

Q4（平靜／滿足):顯示出「正向且低激起」說明在單純計數的方法下，特徵極易被其他類別掩蓋。

整體而言，模型在 Valence （情緒正負向）判斷較穩定，但在 Arousal（情緒強度）上容易混淆，特別是在相鄰象限之間（Q1↔Q4、Q2↔Q3）。

♬詞典法【VA值】

此圖為以 Valence-Arousal（VA）數值為主導的混淆矩陣。

Q1（快樂／興奮):顯示出「正向且高激起」的特徵具有極強的鎖定能力，顯示此類歌詞在數值特徵上最為鮮明且不具歧義。

Q2（憤怒／焦慮):能捕捉到部分負向情緒的特徵，但其辨識力極不穩定。這反映出在僅依賴「數值加權」的邏輯下，歌詞中的「低能量負向情緒」（如：消極、失落、無力感）往往缺乏足夠強烈的關鍵詞權重，導致其在數值座標軸上容易偏離原有的負向區間。

Q3（悲傷／沮喪):顯示出「負向且低激起」的特徵在數量上有一定的辨識基準。

Q4（平靜／滿足):能有效識別低激起的正向情緒，說明數值權重法對於捕捉溫和、正面的語境具有穩定效果。

整體而言，模型在 Valence （情緒正負向）判斷較穩定，但在 Arousal （情緒強度）上容易混淆，特別是在相鄰象限之間（Q1↔Q4、Q2↔Q3）。