词典方法
词典方法实现简单、解释性强，适合作为基线。但它对新词、上下文和反讽表达比较敏感，泛化能力有限。
传统机器学习
TF-IDF + 逻辑回归、朴素贝叶斯或 SVM 是常见组合。优点是训练快、部署轻量，适合小数据集和课程项目。
深度学习
深度学习模型能捕捉更复杂的语义特征，但需要更多数据、算力和调参经验。对 2核2G 服务器来说，更适合离线训练后只部署推理接口。
选择建议
作品集第一版可以写清楚三类方法的实验对比，重点展示为什么选择当前方案，而不是盲目追求最复杂模型。
词典方法实现简单、解释性强，适合作为基线。但它对新词、上下文和反讽表达比较敏感，泛化能力有限。
TF-IDF + 逻辑回归、朴素贝叶斯或 SVM 是常见组合。优点是训练快、部署轻量，适合小数据集和课程项目。
深度学习模型能捕捉更复杂的语义特征，但需要更多数据、算力和调参经验。对 2核2G 服务器来说，更适合离线训练后只部署推理接口。
作品集第一版可以写清楚三类方法的实验对比，重点展示为什么选择当前方案，而不是盲目追求最复杂模型。