# 📊 情感分析 (Sentiment Analysis)

> 分析文本的情感倾向和情感标签的 Prompt 工程实践

---

## 📌 应用场景

分析用户评论、反馈和评价的情感倾向，用于：
- 产品评价情感分类（正面、中立、负面）
- 用户满意度评估
- 品牌舆论监测
- 评论分类和汇总
- 用户反馈分析

---

## 🎯 核心要素

| 要素 | 说明 | 例子 |
|------|------|------|
| **角色** | 自然语言处理专家 | 情感分析工程师 |
| **背景** | 待分析的文本 | 产品评论、用户反馈 |
| **目标** | 识别文本情感 | 分类和打分 |
| **约束** | 分类标签、语言 | 正面/中立/负面，多语言 |
| **示例** | 标注样本 | 典型的评论和标签 |

---

## ✅ 完整 Prompt 模板

### 基础版（简单分类）

```
你是一位资深的自然语言处理专家，擅长情感分析。

请根据以下评论，判断其情感倾向，并给出情感分类和理由。

【文本内容】
"{评论文本}"

【情感分类】
请将上述评论分为以下类别之一：
1. 📍 **正面 (Positive)** - 表达满意、赞赏、推荐
2. ⚪ **中立 (Neutral)** - 仅陈述事实，无明显情感倾向
3. 📍 **负面 (Negative)** - 表达不满、批评、抱怨

【输出格式】
情感分类：{分类}
置信度：{0-100%}
主要情感词：[列出支持这个分类的关键词]
理由分析：{简要说明为什么是这个分类}

【补充信息】
关键话题：{评论涉及的主要话题}
建议行动：{基于情感的建议，如：进一步跟进、改进产品、客服回复等}
```

### 进阶版（细粒度情感分析）

```
你是一位资深的情感分析专家，能够进行细粒度的情感识别和分析。

请对以下用户评论进行深度的情感分析，包括整体情感、具体维度和情感强度。

【用户评论】
"{评论文本}"

【评论上下文】（可选）
- 产品/服务名称：{名称}
- 评论来源：{来源：电商平台/社交媒体/用户反馈等}
- 评论日期：{日期}
- 评分：{用户给分，如：3/5}

【分析要求】

1. **整体情感分类**
   - 主分类：正面 / 中立 / 负面
   - 置信度：{0-100%}

2. **情感维度分析**（如果适用）
   分析评论在不同维度上的情感：
   - 产品质量：{情感} {强度}
   - 使用体验：{情感} {强度}
   - 价格价值：{情感} {强度}
   - 客服服务：{情感} {强度}
   - 物流配送：{情感} {强度}
   - 其他：{情感} {强度}

3. **情感强度评分**
   - 强度等级：弱 / 中等 / 强
   - 强度分数：{-5到+5的分数，负数表示负面，正数表示正面}

4. **情感驱动因素**
   - 正面因素：{列出让用户满意的因素}
   - 负面因素：{列出让用户不满的因素}

5. **关键表述和情感词提取**
   - 正面情感词：[列表]
   - 负面情感词：[列表]
   - 中性事实陈述：[列表]
   - 情感修饰词（程度副词）：[列表]

6. **隐含情感识别**
   - 是否存在讽刺或反讽：{是/否}
   - 隐含的不满或期望：{描述}
   - 深层动机：{用户背后的真实需求或期望}

7. **可信度和代表性评估**
   - 评论可信度：{高/中/低，说明原因}
   - 是否为典型用户反馈：{是/否}
   - 意见强度（客观vs主观）：{比例}

8. **建议行动**
   - 优先级：{高/中/低}
   - 推荐回复策略：{基于情感的回复建议}
   - 产品改进建议：{需要改进的方向}

【输出格式】

## 整体情感
- 分类：{主分类}
- 置信度：{百分比}

## 维度分析
| 维度 | 情感 | 强度 |
|------|------|------|
| {维度1} | {情感} | {强度} |
...

## 关键词提取
- 正面词：[列表]
- 负面词：[列表]

## 深层分析
- 隐含期望：{描述}
- 可信度：{评级}

## 建议行动
- {建议1}
- {建议2}
```

---

## 💡 真实示例

### 示例1：电商产品评论

**输入文本：**
```
"产品质量不错，但包装有点简陋，送来时有点磨损。不过价格比较实惠，用了半个月，功能都很正常。就是客服回复有点慢，问了问题等了两天才回。总体还是推荐的，但希望后续能改进一下客服服务。"
```

**期望输出（进阶版）：**
```
## 整体情感
- 分类：正面
- 置信度：75%
- 强度分数：+2（倾向正面，但有明显的不满之处）

## 维度分析
| 维度 | 情感 | 强度 |
|------|------|------|
| 产品质量 | 正面 | 中 |
| 使用体验 | 正面 | 中 |
| 价格价值 | 正面 | 强 |
| 客服服务 | 负面 | 中 |
| 包装配送 | 负面 | 弱 |

## 关键词提取
- 正面词：[质量不错、实惠、推荐、功能正常]
- 负面词：[简陋、磨损、慢]

## 深层分析
- 隐含期望：用户期待更好的包装和更快的客服响应
- 可信度：高（评论具体、有理有据）
- 是否讽刺：否

## 建议行动
- 优先级：中
- 回复策略：感谢用户的反馈，承诺改进客服服务，可考虑额外补偿（如优惠券）
- 产品改进：改进包装材料，加强物流保护；加强客服团队建设
```

### 示例2：社交媒体评论

**输入文本：**
```
"刚刚试用了这个新功能，简直太棒了！💯 比竞争对手的方案好用10倍，操作简单流畅，爱上了！强烈推荐给所有人 👍👍👍"
```

**期望输出（基础版）：**
```
情感分类：正面
置信度：95%
主要情感词：[棒、好用、简单、流畅、爱上、推荐]
理由分析：评论使用了多个强烈的正面表述，包括感叹号、表情符号，明确表达了满意和推荐的态度。与竞争对手的比较进一步强化了正面情感。

关键话题：新功能、用户体验、竞争优势
建议行动：感谢用户的支持，可以在营销中引用这样的正面评价。
```

### 示例3：技术产品评价

**输入文本：**
```
"API文档写得不清楚，代码示例有bug，支持的功能比说明书里写的少。折腾了一整天才勉强跑起来。虽然核心功能不错，但整个开发体验太差了。不推荐，除非你特别有耐心。"
```

**期望输出（进阶版）：**
```
## 整体情感
- 分类：负面
- 置信度：85%
- 强度分数：-3（强烈的负面情感）

## 维度分析
| 维度 | 情感 | 强度 |
|------|------|------|
| API设计 | 负面 | 强 |
| 文档质量 | 负面 | 强 |
| 技术支持 | 负面 | 中 |
| 核心功能 | 正面 | 中 |
| 开发体验 | 负面 | 强 |

## 关键词提取
- 正面词：[核心功能不错]
- 负面词：[不清楚、bug、少、折腾、差、不推荐]

## 深层分析
- 隐含期望：用户期待更好的文档、示例代码和更完整的功能描述
- 可信度：高（包含具体问题）
- 用户角色：开发者/技术人员

## 建议行动
- 优先级：高
- 回复策略：承认问题，表示感谢反馈，承诺改进文档和支持
- 改进方向：
  1. 重写API文档，添加更多清晰的示例
  2. 修复代码示例中的bug
  3. 更新功能说明，保持一致性
  4. 建立更好的技术支持渠道
```

---

## 🔧 优化建议

### ✅ 做的事情

1. **考虑上下文** - 同一句话在不同场景可能有不同情感
   ```
   ❌ 不好：只看单个词，忽略整体语境
   ✅ 很好：考虑反讽、修饰词、整体逻辑
   ```

2. **多维度分析** - 对于复杂产品，分别评估各个方面
   ```
   ❌ 不好："这个产品既好又不好" 过于笼统
   ✅ 很好：列出质量、价格、服务各维度的情感
   ```

3. **识别讽刺和反讽**
   ```
   例如："哦，又是一个'优秀'的更新，直接搞崩了我的工作"
   ❌ 不好：分类为正面（看到了"优秀"这个词）
   ✅ 很好：识别讽刺，分类为负面
   ```

4. **量化情感强度**
   ```
   ✅ 很好：不仅分类，还给出强度评分
   ```

### ❌ 避免的事情

1. **过度简化** - 将复杂的评论强行分为三类
2. **忽视细节** - 错过反讽、修饰词等重要信息
3. **主观偏见** - 被个人观点影响分析结果
4. **忽视变化** - 一篇评论可能在不同部分有不同情感

---

## 📊 情感分类对比

| 方案 | 应用场景 | 优点 | 不足 |
|-----|---------|------|------|
| **三分类** | 快速分析、概览 | 简单、易实现 | 信息损失多 |
| **五分类** | 平衡精度和复杂度 | 中等复杂度、信息充足 | 边界不清晰 |
| **维度分析** | 细致评估、改进指导 | 详细、可操作 | 实现复杂 |
| **强度评分** | 优先级排序 | 量化比较 | 需要更多数据 |

---

## 🚀 快速上手

1. **复制合适的Prompt版本**
2. **填入待分析的文本**
3. **生成情感分析结果**
4. **根据结果采取行动**（回复、改进等）

---

## 💡 进阶应用

### 应用1：批量评论分析
```
将单个评论的Prompt改为批量分析，生成汇总统计：
- 正面比例、负面比例、中立比例
- 高频问题识别
- 用户满意度趋势
```

### 应用2：实时舆论监测
```
用于监控品牌在社交媒体上的声誉：
- 实时情感走向
- 新兴问题预警
- 影响力评估（点赞、分享等）
```

### 应用3：改进优先级排序
```
根据情感分析结果和反馈频率，确定产品改进的优先级：
- 哪些问题影响最多用户
- 哪些问题引发最强烈的不满
- 改进哪个方面能最快提升满意度
```

---

**💡 提示**: 好的情感分析不仅能分类情感，更能帮你理解用户真实的需求和期望，指导产品改进方向。