什么是 情感分析？
情感分析是把预先声明的情感表示（如极性或效价）分配给指定文本单位和观点目标的 NLP 任务；只有同时说明标签体系、标注政策、语言、领域与评测协议，结果才具有明确含义。
快速了解
| 创建时间 | 2000 年代（现代深度学习方法始于 2010 年代） |
|---|---|
| 规范文档 | 官方规范 |
工作原理
目标与粒度决定问题
文档级分析假设全文存在一个主导观点，句子级分析把标签落到更小单位，方面级情感则把观点表达关联到实体或属性，因此同一评论可以肯定质量却否定配送。建模前应明确观点持有者（如适用）、目标、文本 Span、标签集合、混合或无情感的处理方式，以及是否标注隐式方面。
标签是经协议测量的判断，不是客观事实
标注指南决定否定词、程度副词、比较、引用、讽刺、领域术语和多重观点如何处理。应测量标注一致性并裁决歧义样本，而不是隐藏分歧；还要保留语言、领域、来源、时间和标注者来源。餐厅评论上训练的模型不能默认迁移到金融、医疗、客服工单或另一种语言。
分数需要校准与动作政策
概率或供应商情感分数只对具体模型有意义，未必经过校准。应按实际错误成本在验证集上选择阈值，保留拒判或人工复核状态，不能把情感直接当作用户意图、紧急程度、事实真伪、心理状态或满意度。当情感影响路由或审核时，应结合显式信号，并提供纠正或升级路径。
同时评测类别、目标与分布漂移
应报告混淆矩阵和各类别 Precision、Recall、F1；宏平均 F1 可防止多数标签掩盖弱势类别。方面级系统还要评测目标与观点 Span 抽取、关系正确性，以及极性分类或回归质量。使用按实体、作者、来源或时间切分的数据减少泄漏，再按语言、领域、讽刺、混合情感、文本长度和稀有标签切片。
主要特点
- 把情感标签或分数绑定到明确文本单位与目标
- 可以在文档、句子、方面或观点表达层工作
- 依赖处理混合、隐式、讽刺与中性案例的标注政策
- 输出是领域和语言相关分数，不是通用情绪事实
- 需要置信度校准、拒判和下游动作规则
- 必须评测各类别、目标关系和分布迁移
常见用途
- 分析客户评论对具体商品属性的态度
- 结合校准规则与人工覆盖对客服会话排序
- 在保留来源与抽样口径的条件下追踪观点变化
- 按稳定标签体系审阅调查问卷中的开放文本
- 为下游研究生成经过复核的特征，而非自动执行高影响决策
示例
Loading code...常见问题
情感分析和意见挖掘有什么区别？
两者经常互换使用。情感分析通常强调给出极性或效价分数，意见挖掘还可能抽取观点持有者、目标、方面、观点表达及其关系。项目应直接声明输出契约，而不是只依赖这两个宽泛名称。
情感、情绪和立场有什么区别？
情感通常描述针对目标的评价极性或效价；情绪分类预测喜悦、愤怒等状态；立场检测则判断对命题或实体的支持、反对或中立。三类标签可能相关，但不能互相替代，需要独立的标注和评测契约。
方面级情感分析与文档级情感分析有何不同？
文档级分析为完整文本分配总体标签；方面级分析则抽取目标或属性，并把观点和情感与其关联，因此同一评论可以肯定食物却否定服务。后者除了极性准确率，还需要评测目标、观点 Span 与关系链接。
一个情感模型可以跨所有领域和语言使用吗？
不可以。词汇、讽刺、标签占比、写作风格、文化表达甚至正面语言的含义都会随领域和语言变化。应在代表性目标数据上验证并监控漂移，同时保留拒判或人工复核路径。若先翻译输入，翻译本身也是需要单独评测的模型步骤。
如何评估情感分析模型的准确性？
先冻结目标、标签政策、模型版本、阈值和数据切分，再报告混淆矩阵、各类 Precision 与 Recall、宏平均 F1、校准、拒判后的覆盖率，以及语言、领域、来源、讽刺、混合情感与时间切片。方面级任务还要评测目标和观点抽取及其关联。