传统情感分析工具使用教程：对比两种词典方法，补充自己的情感词表

传统情感分析功能做的是逐行情感初筛。系统会读取 TXT 的非空行，或读取 CSV 里的文本单元格，把每条文本清理后送入两种词典方法。每种方法都会输出一个 0 到 1 的分数，并把结果归为积极、中性或消极。

两种方法的口径不同。PySenti 主要按正负情感词和权值计算分数，归一化后用 0.45 到 0.55 作为中性区间。CnText 使用内置情绪词典统计情绪词，把积极情绪占比映射成 0 到 1 分数，0.7 及以上为积极，0.4 及以下为消极，中间为中性。因为词典来源和阈值都不一样，同一句文本可能出现不同判断。

报告里的「一致率」就是为这种差异准备的。它统计两种方法在多少行文本上给出相同标签。这个指标不等于准确率，也不表示系统理解了语境；它只说明两套词典口径在这批文本上的一致程度。一致率低时，通常需要回到分歧样本看原文，而不是直接采纳某一套结果。

自定义情感词典是另一个核心能力。用户可以在页面上添加积极词和消极词，用来补充 PySenti 的领域词表。例如课程反馈里的「讲得透」、商品评论里的「回购」可以放到积极词；「节奏乱」「掉漆」「尺码不准」可以放到消极词。它是词表补充，不是训练模型，也不能让系统自动理解反讽、上下文、省略和隐含态度。CnText 仍按内置情绪词典口径计算，不会因为这些自定义词同步改变。

适用文档

课程反馈适合使用。课程开放题里有很多领域表达，比如「讲得透」「案例清楚」「节奏乱」「反馈慢」。这些词未必都在通用词典里，适合通过自定义积极词和消极词补充。

商品评论适合使用。商品评论中的「回购」「耐用」「掉漆」「尺码不准」都有明确业务含义。默认词典可以处理一部分通用褒贬词，自建词典可以补充业务词，再通过两种方法对比结果。

问卷开放题适合做初筛。开放题答案通常短而分散，先分出明显积极、明显消极和中性文本，可以减少后续人工阅读压力。分歧样本适合作为人工编码的重点。

舆情短文本可以使用，但需要谨慎。社交平台文本常见反讽、省略、网络表达和上下文缺失。词典方法对这些内容不敏感，低一致率和分歧样本应当被视为复核入口，而不是最终解释。

访谈材料可以按段使用。长段访谈往往同时包含肯定和批评，不适合整段只贴一个标签。一般先按回答片段或主题段落拆分，再用传统情感分析做粗粒度标注。

文本质量方面，每行最好是一句或一条独立反馈。过短文本会被过滤并记录原因。大量乱码、网页残留、特殊符号会干扰词典匹配，通常先做文本清洗再分析更稳。

使用步骤

第一步：整理文本粒度。把材料整理成每行一句或一条反馈。CSV 文件中系统会遍历文本单元格，TXT 文件按非空行处理。粒度越清楚，后面查看分歧样本越方便。

第二步：决定是否建立情感词表。如果只是通用评论，可以先留空跑默认结果。如果材料属于特定领域，可以先列出明确正向和负向词，再分别填入积极词和消极词。

第三步：提交分析后先看有效行数。有效行数表示进入分析的文本数量，跳过行数表示因为过短等原因没有进入分析的文本。有效文本太少时，分布比例参考价值有限。

第四步：比较 PySenti 和 CnText 均分。两套均分来自不同词典和阈值，不能直接当作同一种量尺比较，只能作为同批次下的方向性参考。真正解读时要结合标签分布和分歧样本。

第五步：查看两种方法的情感分布。报告用两张饼图并排展示积极、中性、消极占比。这里不要只看某一张图，而要看两种方法的结构是否接近。

第六步：查看分数分布。柱状图展示分数集中在哪些区间。如果大量文本集中在中间区间，说明词典口径下的态度不够明确，后续解释要更克制。

第七步：查看一致性分析。报告会列出两种方法判断不同的行，包括行号、原文、PySenti 标签和分数、CnText 标签和分数。这部分是最适合人工复核的入口。

第八步：查看热门关键词。报告会分别列出积极关键词和消极关键词。关键词可以帮助你检查词典是否覆盖了重要表达。如果重要业务词频繁出现在原文里却没有被合理体现，可以回到自定义词典补充。补词主要改变 PySenti 口径，不改变 CnText 内置词典口径。

第九步：多文件时切换单文件视图。如果上传了多个渠道、班级或话题的材料，可以先看综合统计，再切换到单个文件查看口径差异。

参数解析与对比示例

可配置和输入项如下。

三组典型配置供参考。

1. 默认词典初筛。积极词和消极词都留空，先查看两种方法的分布和一致率。适合通用评论和没有明确领域词表的材料。
2. 课程反馈词表。积极词加入「讲得透」「案例清楚」「互动好」，消极词加入「节奏乱」「反馈慢」「内容浅」。适合课程评价、培训反馈和教学调研。
3. 商品评论词表。积极词加入「回购」「耐用」「质感好」，消极词加入「掉漆」「尺码不准」「异味」。适合电商评论和售后反馈。

配置对比时，不建议只比较积极率有没有升高。更合理的读法是：先看 PySenti 结果在补充词典后是否符合业务口径，再看它和 CnText 的差异是否变大或变小，最后抽检分歧样本确认词表是否需要继续调整。

案例分析

案例一：课程开放题补充教学词表。

背景：教务老师收集 430 条课程反馈，默认词典能识别「满意」「差」这类通用词，但对「讲得透」「节奏乱」这类教学表达覆盖不足。

配置：积极词加入「讲得透」「案例清楚」「互动好」，消极词加入「节奏乱」「反馈慢」「内容浅」。

结果：报告展示 PySenti 和 CnText 两套分布、均分和一致率。补充词表后，老师重点查看 PySenti 结果变化，并抽检两种方法判断不同的文本。

结论：通过查看分歧样本和人工复核，老师可以辅助判断问题可能来自词典未覆盖，也可能来自文本本身含糊。前者继续补词，后者进入人工复核。

案例二：商品评论建立业务褒贬词。

背景：运营同事整理 1,200 条商品评论。评论里有「回购」「耐用」「掉漆」「尺码不准」等业务词，默认词典不一定完全符合运营口径。

配置：积极词加入「回购」「耐用」「质感好」，消极词加入「掉漆」「尺码不准」「异味」。

结果：报告列出有效行数、两套方法均分、情感分布、一致率和分歧样本。运营同事没有把某一套结果作为最终答案，而是把分歧样本整理出来给人工抽检。

结论：这个功能适合作为评论初筛和词典调试工具。它能减少人工从零浏览的工作，但不能替代人工判断具体语境。

案例三：舆情短文本先做分歧定位。

背景：研究者收集 2,000 行短帖，文本里有省略、反讽和网络表达。直接看正负面比例风险较高。

配置：先不加自定义词，使用默认词典跑一遍，重点查看一致率和分歧行。

结果：某个话题下两种方法一致率偏低。研究者人工查看分歧样本后，发现其中有不少表面正向、实际可能带反讽的表达。

结论：研究者把这些行标记为人工复核样本，而不是继续用词典结果做最终解释。后续如果发现稳定的领域褒贬词，再补充到自定义词典中重新分析。

类似功能对比

传统情感分析、VAD 三维情感分析、隐含情感识别都和情绪有关，但它们解决的问题不同。

如果你的需求是快速做正负中初筛，并且希望自己维护情感词表，用传统情感分析。如果你需要更细的情绪维度，再考虑 VAD 三维情感分析。如果文本里大量反讽和含蓄表达，隐含情感识别更贴近需求。