在SentiMate之前，人工智能紧张通过不断地对弈演习学习围棋。2016年击败围棋天下冠军李世石的AlphaGo利用神经网络，与人类棋手的棋谱进行演习，学习如何下围棋。到了2018年，AlphaZero依赖深度神经网络、通用强化学习算法和蒙特卡洛树搜索，通过自我对弈进行强化学习。
与Alpha系列采取神经网络、自我演习的方法不同，SentiMate考试测验了一条自然措辞学习路径。该团队首先网络来自网络的2700条国际象棋游戏评论文本，然后建立了一个分类器，该分类器能够在大量评论数据集中提取描述象棋动作质量的评论。他们还在象棋评论数据的根本上演习了一个感情剖析模型，剖析人们通过措辞所通报出的正向感情来评估象棋的动作质量，从而辅导机器人在棋局中的下一步辇儿为。研究人称，这两个模型都达到了90%以上的分类精度。在此根本上，他们提出了一个象棋引擎sentimate，它基于预先演习的感情评估功能来评估象棋的动作。
让研究职员感到惊异的是，SentiMate已有能力理解国际象棋的一些基本原则和制订几个关键策略。《麻省理工科技评论》据此评价称，虽然SentiMate从未降服过传统演习路径下的象棋机器人，很难被称作AlphaGo那样的“象棋大师”，但这个新路径展示了利用更少的游戏数据、更低的打算需求，通过措辞剖析的方法来研究象棋游戏的前景。
“自然措辞处理的下一步是将机器学习到的信息转变为切实的行动，来办理真实天下的任务”，研究职员对《麻省理工科技评论》表示，SentiMate所采取的学习技能还可以用来剖析体育赛事，预测金融活动。“毕竟还有大量的书本、博客和论文都在等待学习”。
