情感分析是自然语言处理中的一类任务,用程序判断一段文字表达了什么态度、针对什么对象、态度有多强。刘兵在剑桥大学出版社2015年出版的《Sentiment Analysis》中,把它概括为对人们针对产品、服务、组织、个人、事件、议题等实体及其属性所表达的观点、情感、评价、态度和情绪进行分析。日常使用中,情感分析也常被称为意见挖掘,两者关注的都是文本里的主观信息。
举个具体的例子。一条酒店评论写道:“位置很方便,房间也干净,但隔音太差,前台处理速度慢。”文档级模型可能给出一个混合或接近中性的总体判断,方面级分析则会把位置和卫生判为正面,把隔音和前台服务判为负面。读者看到的是一个总分,业务团队需要处理的往往是后面这些具体问题。
对企业来说,这类判断的价值在于把散落在评论、工单和社媒里的主观信息,变成数据分析可以使用的标签。标签能否支持决策,取决于分析到哪一层、标签定义是否清楚,以及结果在真实语料上是否经过验证。
一、情感分析在自然语言技术里做什么
自然语言技术处理的是人类日常书写的文字。情感分析在其中承担一项相对明确的工作,识别文本中的主观信息,并把它转成可比较、可汇总的结果。常见输出包括情感极性、情感强度、具体情绪类别、观点针对的对象,以及说话者对某个议题的立场。
它和事实抽取的分工不同。事实抽取关心“谁在什么时候做了什么”,情感分析关心“说话的人怎么评价这件事”。一条文本可以同时包含事实和评价,例如“这款游戏上线三天,服务器很稳定”,前半句是事实,后半句是评价。在进入正负判断之前,系统通常要先区分主观句和客观句,避免把纯事实误判为态度。
情感分析也不等于让机器拥有情绪。它输出的是关于文本的判断,判断依据来自词句、上下文和训练数据。情感分析的核心产物是可统计的文本标签,情绪类型只是其中一种标签。
二、情感分析有哪些层次
方面指评论针对的具体对象或属性。同一段话里,用户可能同时评价位置、价格、服务和体验。分析层次不同,得到的结论也会不同。
| 分析层次 | 回答的问题 | 例子 | 常见局限 |
|---|---|---|---|
| 文档级 | 整篇内容总体偏正面还是负面 | 一篇酒店长评的总体评价 | 混合评价被压成一个分数 |
| 句子级 | 每个句子在表达什么态度 | “房间干净,但隔音差”拆成两句 | 一句话里有多个对象时容易混淆 |
| 方面级 | 对某个对象或属性的态度 | 位置正面、隔音负面、前台负面 | 需要先识别对象,标注成本更高 |
方面级分析更接近业务问题。对游戏,方面可能是剧情、匹配、付费体验;对电商,方面可能是物流、尺码、客服;对短剧,方面可能是节奏、演员、结局。如果团队要决定改什么,方面级标签通常比一个总分更有用。
层次越细,标注和评估成本越高。不是所有场景都需要做到方面级,选择取决于要回答的问题。只需要观察一次版本更新后的整体口碑变化,文档级或句子级可能已经够用;要定位到具体功能或服务环节,才需要方面级。
三、机器怎样从文字里判断情感
常见做法可以分成三类。情感词典法先准备一份带有极性标注的词表,再对文本分词、匹配情感词,结合否定词和程度副词计算分数。它的优点是规则清楚、结果容易解释,适合词典覆盖较好的领域。缺点是遇到新词、反话和领域特有表达时容易失效。
机器学习法用人工标注过的文本训练分类器。朴素贝叶斯、支持向量机和最大熵都曾被广泛使用。模型从词、短语、句法结构和否定关系中学习判断规则,效果依赖标注数据的数量和质量。跨领域使用时,原来的标注样本往往不够,需要补充目标领域的语料。
深度学习与预训练模型把词和句子转成向量表示,能利用更大的上下文。迁移学习可以把在一个领域预训练好的模型迁移到新领域,减少一部分标注工作。代价是训练和部署更复杂,结果解释也更困难。

一条典型处理流程包括收集文本、清洗、分句或识别方面、模型打分、汇总结果和抽样复核。流程中的每一步都会影响最终结论,模型只是其中一环。方法选择取决于标注数据、领域和可解释性要求,没有一种方法在所有场景都更准。
四、企业在哪些场景会用到情感分析
最常见的用法是用户声音分析。电商看物流、尺码、售后;游戏看版本更新后的剧情、匹配、付费体验;短剧看节奏、演员、结局;工具类产品看稳定性、权限、价格。把负面反馈按方面汇总,产品团队可以判断先改哪里,运营团队可以判断哪些问题需要优先回应。
第二个用法是品牌与舆情监测。团队可以比较不同时间段、不同渠道的讨论,观察一次活动或一次版本更新前后的变化。情感分析能给出趋势和分布,具体原因仍要回到原文和业务背景。把情感标签接入用户分群、留存和触达分析,能进一步判断哪些问题影响了哪些用户。如果企业已经在用 ThinkingAI 这类数据平台管理用户行为、留存和分群,情感标签可以作为补充维度,与行为数据一起看。比如把负面反馈集中的用户群与留存变化的时间段对照,判断问题出在内容、服务还是产品体验。
第三个用法是服务与运营。客服工单、社群讨论、应用商店评论可以按情感和主题分层,帮助运营识别高风险的负面集中点。情感分析也可以用于公共议题研究,了解公众对政策、事件或人物的态度变化。这类用途对样本代表性和隐私合规要求更高,不能把平台上的声音直接当成全部人群的意见。
情感标签适合用来发现问题,不适合单独解释原因。 标签告诉你哪里的负面反馈集中,原因仍要结合原文、用户行为和业务动作判断。
五、为什么结果会判错
第一类误差来自语言本身。反话、讽刺、否定和转折都会改变字面意思。“这也叫服务”没有明显的负面词,却表达了强烈不满;“不是不好,只是不值这个价”同时包含让步和否定。只按情感词打分,很容易漏掉这些表达。
第二类误差来自语境和领域。“轻”在耳机评论里通常是优点,在哑铃评论里可能正好相反。网络新词、缩写、表情符号和跨语言表达也会让模型失去判断依据。训练语料和实际业务文本分布不同,模型在测试集上的表现未必能迁移到新渠道、新品类或新语种。
第三类误差来自任务定义。中性到底指没有态度,还是指正负都有,不同团队的理解可能不同。方面级分析还要先确定方面怎么划分,划分粒度不一致,标注和评估就无法对齐。只用总体准确率评估,也会掩盖少数类和高风险错误。
错误往往同时来自任务定义、语料和模型,排查时不要只盯着模型。 先确认标签口径和样本分布,再看模型在哪些内容上出错,通常更容易找到可修的环节。
六、怎么判断一套情感分析结果能不能用
先明确任务。要判断整篇内容的态度,还是要看具体方面?只分正负,还是需要中性、强度和情绪类别?中性样本怎么定义?这些问题没有写清楚,后面的模型选择没有意义。
再用自己的数据做小样本验收。从真实评论、工单或社媒内容中抽样,由两个人独立标注,先检查标注一致性,再计算精确率、召回率和 F1 值。分类不均衡时,要分别看每个类别的表现,不能只看一个总体分数。
接着做错误分析。把错例按讽刺、否定、方面缺失、领域词、语种等类别归类,判断错误是否集中在某类内容。若错误集中在业务最关心的方面,即使总体指标不错,也不能直接上线。
上线后要保留人工复核。低置信度结果进入人工队列,高风险决策不交给模型单独完成。新版本、新活动和新词出现后,定期复测并更新测试集,避免模型随业务变化逐渐失真。
数据来源和使用范围也要提前确认。客户评论和客服记录可能包含个人信息,跨系统使用时要明确授权、脱敏和留存规则。对数据主权要求高的企业,可以优先考虑支持私有化部署的方案。
先在自有数据上做小样本验收,再决定是否接入业务流程。 验收通过也不代表可以一次上线到底,持续抽样和复测仍然是必要动作。
常见问题
1. 情感分析和情绪分析是一回事吗?
两者经常一起出现,但关注点不同。情感分析更常指判断态度是正面、负面还是中性,或者判断对某个对象的立场。情绪分析更常指识别愤怒、喜悦、悲伤、惊讶等具体情绪。实际项目里可以把两者组合使用,前提是标签定义和标注规范清楚。
2. 情感分析只能判断正面和负面吗?
可以更细。常见做法包括三类极性、五级强度、方面级极性,以及多标签情绪分类。类别越多,边界越难定义,标注成本也越高。对多数业务问题,先做好正负中和方面级,比一开始追求很多情绪标签更实用。
3. 讽刺和反话能识别吗?
可以识别一部分,但仍是难点。讽刺往往依赖上下文、说话者关系和共同背景,单看一句话容易误判。加入上下文、表情符号、对话历史和人工复核,能减少一部分错误,但不能保证全部识别。
4. 中文情感分析比英文更难吗?
难点不同,不能简单比较难度。中文没有天然空格,需要分词;网络表达更含蓄,缩写、谐音和反话多;同一句话里可能同时出现多个评价对象。英文同样有讽刺、领域迁移和多义问题。选择中文语料、分词工具和标注规范,比套用英文方案更可靠。
5. 情感分析能代替用户调研吗?
不能完全代替。它能处理大量文本,回答用户说了什么、集中在哪些方面、情绪如何变化;用户调研更擅长追问原因、使用场景和未说出口的需求。两者结合,先用文本分析发现问题,再用访谈或问卷验证原因,结论会更稳。
参考资料
- 刘兵. Sentiment Analysis: Mining Opinions, Sentiments, and Emotions. Cambridge University Press, 2015. https://www.cambridge.org/core/books/abs/sentiment-analysis/introduction/2FF4D2E53FF2DAB544211AD7A73FCDBE
- Bo Pang, Lillian Lee. Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2008. https://www.cs.cornell.edu/home/llee/opinion-mining-sentiment-analysis-survey.html
- 雷红, 汪顺玉. 情感分析助推人文社会科学研究. 中国社会科学报, 2023-04-04. https://www.gmw.cn/xueshu/2023-04/04/content_36476095.htm
- Sentiment Analysis: A Survey. arXiv, 2014. https://ar5iv.labs.arxiv.org/html/1405.2584






