NLP 中各种情感分析技术的不同底层逻辑是什么？

根据我的研究，这些是在 NLP 中用于情感分析的基本技术。

手动方法： - 手动为每个单词分配情绪，然后汇总文档中所有单词的情绪。
词袋/朴素贝叶斯方法：- 基本上，获取每个单词的正面/负面文档频率（例如，“Good”一词出现在所有“正面标记”文档的 69% 中，但仅出现在“负面标记文档”的 21% 中。给这个词一个特定的分数“好”之类的，对字典中所有其他独特的词。例如，0.69-0.21 0.48 ~ “好”这个词的分数。（如果这不是打分的方式，请更新我）。然后只需将所有这些单词概率与出现在新文档或测试用例文档中的所有单词相乘，即可获得文档频率。
深度学习方法执行与上述相同的操作，但使用神经网络代替朴素贝叶斯。
TF-IDF/Word2Vec：- 除了使用简单的词频，还使用文档中每个词的相对位置。但不确定这对情感分析有何帮助。也许只是一种聊天机器人应用程序。

还有更多这样的情感分析技术吗？我写的那些技术对吗？