您提出的方法还可以，但我认为可以改进：

1. 找到一个语料库（或几个语料库），选择代表您希望最终处理的那种数据。理想情况下，它将直接是目标数据的样本。
2. 标记语料库或随机子集中的所有句子。这是因为您需要尽可能地保留分布，尤其是正/负实例的比例。如果您从过滤后的句子集开始，您将遇到两个问题：
   • 阳性案例的比例高于常规文本，这可能会使您的模型过度预测阳性案例；
   • 仅包含选定触发词的句子，这将导致您的模型将任何没有触发词的句子预测为否定（这是一个问题，因为您的触发词列表不能详尽）。

理想情况下，您会手动标记所有语料库，但这可能不现实。这就是为什么您可以尝试以稍微不同的方式使用触发词的想法，以便有效地标记所有实例：

1. 过滤包含任何触发词的句子并标记它们；这是你的初始训练集
2. 使用半监督的方法来标记其余的句子（也许你可以考虑主动学习）。