你提出的是一种非常简单的集成学习形式。您需要至少有一个标记数据样本才能评估任何方法。使用此标记数据，您可以：

• 自行评估这三种方法中的每一种
• 评估您平均 3 种方法预测的想法
• 如果您有足够的标记数据，您甚至可以训练一个模型，将它们的预测最佳地结合起来（这将是成熟的堆叠泛化）

这种技术的优点和缺点是什么？

上下文不敏感：您提到的库用于一般情绪分析，因此您可能会遇到一些误报/误报问题。

• 误报：字典中具有特定情绪但不适用于标题的词——例如，“低”通常可能具有负面含义，但在"covid cases remain low") 中甚至可能是正面的。
• 假阴性：通常不带有情绪信息但在头条新闻中出现的词，例如"New Brexit deal on the table"，在我们假设已经达成交易并且应该保持有效的上下文中是负面的。

低覆盖率：如果我没记错的话，你提到的工具都是基于字典或预先训练的。这些字典/培训不太可能针对您的用例进行了优化。通常，您最好在特定领域的数据上训练自己的分类器。

欠拟合：据我所知，这些库无法系统地处理逻辑否定或极性反转等现象。在某些情况下，它们可能包含允许它们区分正负的 n-gram 信息"i_like"，"i_don't_like"但可能无法处理大多数长尾情况，如"signed_the_deal" 和"didn't_sign_the_deal"in "uk_signed_the_brexit_deal"。极性反转指的是像 "low" 在之间的对立"low number of covid cases"（通常是好的——除非你的领域是关于 Covid 的医学研究，并且更多的案例更好，因为它们代表更多的数据）和"low confidence in the Spanish government"（通常是不好的，除非你是押注西班牙经济的对冲基金经理）。

而且，一旦运行了 3 analisys，我如何才能将它们全部融合到一个指标中？标准化/标准化这 3 个指标并对其进行平均是一个好的解决方案吗？

我完全同意 Erwan 的评论，您应该收集可用于监督评估和参数微调的测试用例样本。

作为您建议的方法的潜在风险，请确保您从不同模型中获得的分数既不完全相关（在这种情况下，您可以只使用最好/最快的模型）或正交（在不太可能的情况下，某些模型通常相互矛盾其他，你应该找出哪些是“撒谎”）。

还有另一个更有趣的潜在风险：所有模型相互补充并涵盖情绪领域的不同子空间的情况：如果一个模型特别擅长在政治头条新闻中拾取情绪，另一个模型在金融头条新闻中，另一个在体育新闻头条中，您最终可能会得到大量预测，其中正确（非中性）预测必须与两个不正确的中性预测竞争，并且总是会被平均化，从而可能导致大量假阴性。另一种平均方法是只选择置信度最高的预测，特别是如果其他两个是中性的。