这个功能按一条完整表达给出情感分类。它先判断积极、中性或消极，再把分类置信程度换算成得分。积极结果按 0.5 加置信度的一半计算，落在 0.5 到 1；消极结果按 0.5 减置信度的一半计算，落在 0 到 0.5；中性结果记为 0.5。报告中的分数分布另按 0 到 0.4、0.4 到 0.6、0.6 到 1 汇总成消极、中性、积极三档，因此标签占比和分数区间是两种互补视角。
行业文本类型会改变分析关注点。通用检测从整体语义判断；电商评论关注商品、服务、物流和性价比；学术论文关注观点倾向、方法评价与结果认可；金融财报关注盈亏、风险和措辞信心；医疗健康关注疗效、焦虑、信任和康复预期；社交媒体关注网络表达、夸张与反讽；客服对话关注投诉、处理效率和情绪递进。
每条结果最多保留五个情感相关关键词。关键词只代表它在所在句子里推动这次判断的方向，不是固定褒贬词。同一个词换到另一句里可能产生不同作用。报告把这些词汇总为热门积极关键词和热门消极关键词，并支持点击回查命中原文。
文本进入分析前会保留中英文与常见标点。去除空格后不足 8 个字符的条目会被标记为过短，不参与统计；超过 200 字符的条目取前 200 字符分析。材料最好保持一句一条，避免一句标签概括整段内容。
适用文档
电商评价适合按商品评论语境分析。像“价格不便宜，但用料扎实，续航也很稳定”这样的转折句同时包含价格压力和使用认可，整句判断比单看“不便宜”更符合表达结构。报告里的关键词回查还能把“用料扎实”“续航稳定”落回原句核对。
客服记录适合按对话顺序分析。用户可能从“没人处理”转到“给出明确时间”，最后确认“退款到账”。只看整批均分会丢掉变化过程，情感趋势和消极行定位更适合找出波动位置。
学术、金融和医疗材料适合选择对应类型。学术批评不一定等于负面情绪，风险提示也不等于简单悲观，医疗文本中的焦虑与疗效反馈还需要结合专业语境。自动结果适合作为编码和复核线索，不替代研究判断或专业结论。
社交媒体材料中的反讽、夸张和网络表达难度更高。选择社交媒体类型能让分析关注这些特征，但可疑句仍应回到原文检查。材料若夹杂广告、乱码、孤立符号或极短片段，先清理并重新分段更稳妥。
使用步骤
- 先整理分析粒度。让每条内容表达一个相对完整的意思，过长段落先按句子或语义片段拆分。这样，标签、趋势和原文回查才指向同一个明确对象。
- 再选择行业文本类型。材料来源明确时选择对应类型；主题混合、无法归类或需要先建立基线时使用通用检测。选择标准是材料真实语境，不是希望得到哪一种情感占比。
- 报告打开后先看顶部概览。文件数说明当前汇总范围，有效行数决定统计基数，平均得分显示总体方向，积极比例给出积极标签在有效文本中的占比。
- 接着对照情感分布和分数分布。饼图展示积极、中性、消极标签占比；分数分布把得分归入三个区间。两者口径不同，不应把某个分数区间直接当成标签数量。
- 有效结果达到三条后查看情感趋势。图表按原始行顺序连接得分，可定位情绪突然下降或恢复的位置。多文件材料还能在综合统计和单文件之间切换，检查差异来自哪一个来源。
- 最后用关键词和消极行回到原文。点击热门词会显示来源、行号、标签、得分、原文和关键词；消极行按得分从低到高排列，适合作为人工复核入口。跳过行统计用于确认未进入分析的短文本，避免误读样本基数。
参数解析与对比示例
工具页提供的可配置参数如下。
| 参数 | 说明 | 默认值 |
|---|---|---|
| 行业文本类型 | 在通用检测、电商评论、学术论文、金融财报、医疗健康、社交媒体、客服对话之间选择，改变分析关注点 | 通用检测 |
| 完成后发送邮件通知 | 任务完成后发送提醒，是否开启不改变分析结果 | 关闭 |
三组配置的差别主要在语境和通知方式。
- 混合材料初筛：行业文本类型选“通用检测”，邮件通知关闭。适合先确认整体标签结构、分数分布和高频关键词，再决定是否按来源拆分。
- 电商评论复核：行业文本类型选“电商评论”，邮件通知按需开启。分析会重点考虑商品质量、服务、物流、性价比和使用体验，适合检查带转折的评价。
- 客服过程分析：行业文本类型选“客服对话”，邮件通知按需开启。分析会关注投诉、等待、处理效率、问题是否解决和情绪递进，报告阅读重点放在趋势图与消极行定位。
选择不同类型不会改变报告结构，改变的是判断时采用的语境提示。同一批材料做配置对比时，应保持文本粒度和内容不变，只切换行业文本类型，再比较标签、得分和关键词是否更贴近原意。
案例分析
案例一：电商转折句实测。
背景：使用三句商品评价测试整句判断，分别是“价格不便宜，但用料扎实，续航也很稳定”“物流慢了两天，不过客服一直跟进，最终解决了问题”“包装精致，运行流畅，整体超出预期”。
配置：行业文本类型选择“电商评论”，邮件通知关闭。
结果：实际运行得到积极 2 条、中性 1 条、消极 0 条，平均得分 0.78。第一句得分 0.93，关键词为“用料扎实”“续航稳定”；第二句得分 0.50，关键词包含“物流慢”“客服跟进”“解决问题”；第三句得分 0.93，关键词包含“包装精致”“运行流畅”“超出预期”。
结论：这组三句样本显示，工具会把转折前后的信息放在同一句中判断，并保留可回查的关键词。三条样本只用于说明输出口径，不能据此推断大批量评论的准确率或分布。
案例二：客服情绪变化实测。
背景：使用三句连续反馈测试情绪变化，分别是“问题提交三天了还没人处理，我很失望”“客服解释了原因，并给出了明确的处理时间”“退款已经到账，这次处理结果我可以接受”。
配置：行业文本类型选择“客服对话”，邮件通知关闭。
结果：实际运行得到积极、中性、消极各 1 条，平均得分 0.49。三行得分依次为 0.04、0.50、0.93。第一行关键词包含“失望”“未处理”，第二行关键词包含“解释”“处理时间”，第三行关键词包含“退款”“到账”“接受”。报告在三条有效结果下会显示情感趋势，可沿原始顺序查看从消极到中性再到积极的变化。
结论：逐条得分与趋势图适合定位反馈过程中的变化位置，消极行和关键词则提供复核入口。回访优先级仍需结合问题严重程度、客户信息和人工判断确定。