[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"cms-guide-article:chuan-tong-qing-gan-fen-xi-gong-ju-shi-yong-jiao-cheng-dui-bi-liang-zhong-ci-dian-fang-fa-bu-chong-zi-ji-de-qing-gan-ci-biao":3},{"article":4},{"id":5,"userId":6,"title":7,"content":8,"type":9,"lang":10,"index":11,"category":12,"tags":13,"coverImages":15,"slug":17,"summary":18,"associatedTaskType":19,"nextSteps":20,"isPublic":41,"createdAt":42,"updatedAt":42},"6a362f7563012f7eb231ace4","6804358a59ddd2c7c898172e","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","\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>适用文档\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Ch2>使用步骤\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F0e3268418b4b972b7ba163566ac5543a.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F8ee3a931fd55e976a0f9419f2437068a.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F24ff2882d877857248fbf23bf218c77d.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F470cdf8fb71345ffe111f41bb25c680e.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F9456e222052cb5182c976c5ddd6183b7.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F7884d285002c54b02b7931fa6db8b35c.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cimg src=\"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002F41e85afc69e67a323ff32f2dff90428e.png\" alt=\"\" data-href=\"\" style=\"\"\u002F>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Ch2>参数解析与对比示例\u003C\u002Fh2>\u003Cp>可配置和输入项如下。\u003C\u002Fp>\u003Ctable style=\"width: auto;\">\u003Ctbody>\u003Ctr>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">参数\u003C\u002Fth>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">说明\u003C\u002Fth>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">默认值\u003C\u002Fth>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">上传文件\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">支持 TXT 和 CSV；TXT 按非空行读取，CSV 遍历文本单元格；可上传多文件\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">必填\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">自定义积极词\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">补充明确正向表达，主要影响 PySenti 词典规则口径\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">空\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">自定义消极词\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">补充明确负向表达，主要影响 PySenti 词典规则口径\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">空\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">邮件通知\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">任务完成后发送通知，适合较大批量文本\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">关闭\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">邮件地址\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">开启邮件通知后填写接收地址\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">空\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>三组典型配置供参考。\u003C\u002Fp>\u003Col>\u003Cli>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。\u003C\u002Fli>\u003Cli>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。\u003C\u002Fli>\u003Cli>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。\u003C\u002Fli>\u003C\u002Fol>\u003Cp>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。\u003C\u002Fp>\u003Ch2>案例分析\u003C\u002Fh2>\u003Cp>案例一：课程开放题补充教学词表。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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」。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>案例二：商品评论建立业务褒贬词。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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」。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Cp>案例三：舆情短文本先做分歧定位。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>\u003Ch2>\u003C\u002Fh2>\u003Ch2>类似功能对比\u003C\u002Fh2>\u003Cp>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。\u003C\u002Fp>\u003Ctable style=\"width: auto;\">\u003Ctbody>\u003Ctr>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">对比维度\u003C\u002Fth>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">传统情感分析\u003C\u002Fth>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">VAD 三维情感分析\u003C\u002Fth>\u003Cth colSpan=\"1\" rowSpan=\"1\" width=\"auto\">隐含情感识别\u003C\u002Fth>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">做什么\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">对比两种词典方法，输出积极、中性、消极\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">从效价、唤醒度、支配度三个维度描述情绪\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">识别字面之外的隐含负面和表达意图差异\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">关注点\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">词典口径、一致率、自定义情感词\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">情绪强度和三维位置\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">反讽、捧杀、阴阳怪气\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">适合问题\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">这批文本按词典法初筛是什么倾向\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">负面情绪更接近愤怒、焦虑还是无助\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">表面好评里是否有隐藏不满\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">输出\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">分布饼图、分数分布、分歧样本、关键词\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">三维分值、情感空间、逐行结果\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">多维评分和问题句\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">使用边界\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">不擅长复杂语境理解\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">更适合细分情绪结构\u003C\u002Ftd>\u003Ctd colSpan=\"1\" rowSpan=\"1\" width=\"auto\">更适合隐含表达较多的文本\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003Cp>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。\u003C\u002Fp>\u003Cp>\u003Cbr>\u003C\u002Fp>","admin_cms","zh-cn",0,"guide",[14],"文本分析基础教程",[16],"https:\u002F\u002Flatte-api-uploader.oss-cn-chengdu.aliyuncs.com\u002Fanna\u002Fadmin-cms\u002Fdraft\u002Fcover\u002Fb56c36027f92a5605299e467a5f16ca4.png","chuan-tong-qing-gan-fen-xi-gong-ju-shi-yong-jiao-cheng-dui-bi-liang-zhong-ci-dian-fang-fa-bu-chong-zi-ji-de-qing-gan-ci-biao","传统情感分析基于 PySenti 和 CnText 两个开源词典方法做二次开发，底层词典融入了多年实际项目中积累的行业情感词。它适合做评论、问卷开放题、舆情短文本和访谈分段的初步正负中标注。这个工具的重点不是自动理解复杂语境，而是把两种词典方法放在同一份报告里对比，并允许用户自己补充积极词和消极词。你可以用它查看 PySenti 在默认词典和自建词典下的变化，同时把 CnText 作为另一套内置情绪词典口径参考，再把分歧样本交给人工复核。","sentiment-analysis",[21,26,31,36],{"taskType":22,"name":23,"shortDesp":24,"_id":25},"deep-senti","DeepSentiV2深度学习情感分析","使用深度学习模型判断情感倾向，支持电商、学术、金融等 7 种行业语境，输出关键词和置信度。","6a362f7563012f7eb231ace5",{"taskType":27,"name":28,"shortDesp":29,"_id":30},"deep-senti-v3","高级情感分析","逐句解释文本为何偏正负面，给出证据词和推理逻辑。","6a362f7563012f7eb231ace6",{"taskType":32,"name":33,"shortDesp":34,"_id":35},"vad-senti","VAD 三维情感分析","分析文本情感，除积极\u002F中性\u002F消极外，输出效价（V）、唤醒度（A）、支配度（D）三个维度。","6a362f7563012f7eb231ace7",{"taskType":37,"name":38,"shortDesp":39,"_id":40},"implicit-sentiment-analysis","隐含情感识别","逐句检测中文文本中的阴阳怪气、过度捧杀和隐含负面情绪，揭示字面之外的真实态度。","6a362f7563012f7eb231ace8",true,"2026-06-20T06:13:09.446Z"]