# 규칙 기반 감성 분석 예시
def rule_based_sentiment(text):
    """규칙 기반으로 텍스트의 감성을 판별합니다."""
    positive_words = {"좋다", "훌륭하다", "최고", "만족", "추천"}
    negative_words = {"나쁘다", "별로", "최악", "불만", "실망"}

    pos_count = sum(1 for word in text.split() if word in positive_words)
    neg_count = sum(1 for word in text.split() if word in negative_words)

    if pos_count > neg_count:
        return "긍정"
    elif neg_count > pos_count:
        return "부정"
    return "중립"

# 통계 기반: TF-IDF + 나이브 베이즈 예시
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB

# TF-IDF로 텍스트를 수치 벡터로 변환합니다
vectorizer = TfidfVectorizer(max_features=5000)
X_train = vectorizer.fit_transform(train_texts)

# 나이브 베이즈로 분류합니다
classifier = MultinomialNB()
classifier.fit(X_train, train_labels)

# Word2Vec으로 단어 의미 관계를 학습합니다
from gensim.models import Word2Vec

# "왕 - 남자 + 여자 ≈ 여왕" 과 같은 의미 연산이 가능합니다
model = Word2Vec(sentences, vector_size=300, window=5, min_count=5)
result = model.wv.most_similar(positive=["왕", "여자"], negative=["남자"])
# [('여왕', 0.85), ...]

# Transformer 기반 모델로 감성 분석을 수행합니다
from transformers import pipeline

# 사전학습된 모델을 바로 활용할 수 있습니다
classifier = pipeline("sentiment-analysis", model="nlptown/bert-base-multilingual-uncased-sentiment")
result = classifier("이 식당 음식이 정말 맛있어요!")
# [{'label': '5 stars', 'score': 0.72}]