情感分析在做什麼？
原題
某電商企業希望利用自然語言處理（NLP）技術，分析顧客在社群平台與商品評論中的文字內容，以即時掌握顧客對產品的滿意度變化。若採用情感分析（Sentiment Analysis）模型，其主要目的為何？
白話
一家電商公司想知道顧客對自家產品的滿意度怎麼變化。他們從社群平台跟商品評論抓文字下來分析，用「情感分析」（Sentiment Analysis）這個技術。
問你：情感分析這個技術，主要在做什麼事？
先自己選一個答案，再看完整解析。
一句話總結
情感分析做一件事：判斷一段文字是正面、負面，還是中性。沒了。
情境
先感受問題：滿意度怎麼自動掃
假設你是這家電商，每天有 1 萬則評論：
「這台吹風機太爛了，用兩天就壞，客服還很差！」
「這款保濕乳液真的好用，皮膚變超滑！」
「老婆超愛這雙鞋，已經買第三雙了。」
「呵呵，買到爛貨，真『棒』。」
「還可以啦，沒特別好。」
員工不可能每則都讀，但你需要知道：哪些是抱怨、哪些是稱讚、整體滿意度往哪走。
這不能靠搜尋「爛」「讚」這種關鍵字，因為：
- 第 4 句「真棒」其實是反話
- 第 5 句沒有任何明顯字眼，但情緒中立
機器要真的看懂語氣才行。
舊方法
舊方法為什麼做不好
古早做法是：寫一份「正面詞清單」（讚、好用、棒、滿意⋯），看評論命中幾個。
問題一籮筐：
- 反話：「真『棒』，買到爛貨」會被當成正面
- 否定：「不好用」會看到「好用」誤判正面
- 網路用語：「這也太頂了」「絕了」清單裡沒有
- emoji：「😡」沒有文字，但情緒明確
- 換產品線就要重寫：3C 跟美妝的「好詞」不一樣
每出一個新狀況都要修規則。永遠補不完。
新方法
情感分析怎麼解
情感分析模型不是查清單，而是看過大量範例自己學。訓練時餵它幾十萬筆「評論文字 + 情感標籤」：
「這台吹風機太爛了」 → 負面 「保濕乳液好用！」 → 正面 「還可以啦」 → 中性 「真棒，買到爛貨」 → 負面（反話）
模型學會抓出文字背後整體的情緒極性，不是看單個關鍵字。
訓練好之後，丟一段沒看過的評論進去：
- 輸入：「這台吹風機太爛了，用兩天就壞」
- 輸出：負面（信心 0.92）
電商就能即時看到：今天負面評論占多少％、哪個產品線抱怨最多。
這就是選項 B 講的：判斷文本中所表達的情感傾向。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
實務上現在的情感分析多半用預訓練語言模型（例如 BERT）。最簡單的呼叫方式只要 3 行 Python：
from transformers import pipeline
classifier = pipeline("sentiment-analysis")
result = classifier("這台吹風機太爛了，用兩天就壞")
# 輸出：[{'label': 'NEGATIVE', 'score': 0.92}]Step 1 純故事版
- 從一個工具箱裡拿出「情感分析機器」
- 把評論餵進去
- 機器吐出「正面 / 負面 + 信心分數」
Step 2 中文 ↔ 程式碼對照
| 故事 | 程式碼 |
|---|---|
| 從工具箱拿情感分析機 | classifier = pipeline("sentiment-analysis") |
| 餵一句評論進去 | result = classifier("這台吹風機太爛了") |
| 機器吐出結果 | [{'label':'NEGATIVE', 'score':0.92}] |
Step 3 符號角色表
- pipeline：Hugging Face 的「萬能工具箱」。告訴它你要做什麼任務，它就給你一台對應的機器。
- "sentiment-analysis"：任務名稱，意思是「我要做情感分析」。
- classifier：剛剛拿到的那台機器。
- result：機器吐出的結果，是個列表。
- 'label'：結果的標籤：POSITIVE / NEGATIVE / NEUTRAL。
- 'score'：信心分數，0 到 1，越高越確定。
Step 4 完整公式對應
本題沒有複雜公式，這個 Step 跳過。下次碰到 self-attention、loss function 這種有公式的題目會用到。
Step 5 自我複述
蓋住程式碼，用自己的話講出 3 步驟：
- 拿出情感分析機器
- 餵評論
- 拿到正/負 + 信心
講得出來代表這段你會了。
錯選項
為什麼其他選項是錯的
A預測顧客使用的語言風格與語氣
字面在說什麼
判斷顧客講話正式還是輕鬆、有沒有用網路用語、是溫和還是粗魯。
為什麼不對
那叫風格分類（style classification），是另一個任務。情感分析不分風格，只分情緒極性。一封「很正式但很憤怒」的客訴信，情感分析會判斷負面，跟風格沒關係。
誰會選錯
看到「語氣」聽起來像「情緒」就跟著選的人。記住：情感分析只管正 / 負 / 中，不管「斯文還是粗魯」。
C將顧客留言自動翻譯成企業內部指定語言
字面在說什麼
把多語言（英、日）評論翻成中文。
為什麼不對
那叫機器翻譯（machine translation）。題目裡電商抓的是中文評論，沒有翻譯需求；就算有，那也是另一個技術，不是情感分析在做的事。
誰會選錯
看到「跨平台」「社群」就聯想到「跨語言」的人。記住：情感分析的輸出是情緒標籤，不是另一段文字。
D產生顧客評論的自動化摘要內容
字面在說什麼
把 1 萬則評論濃縮成幾段摘要，例如「本月主要抱怨集中在物流跟客服」。
為什麼不對
那叫文字摘要（text summarization）。摘要的輸出是另一段文字，情感分析的輸出是個標籤。兩個是不同任務。
誰會選錯
看到「即時掌握滿意度變化」覺得像要「彙整」就選的人。記住：情感分析給你標籤，摘要給你文字。電商先有標籤算占比，才能後續做報表。
變形題
同個考點下次怎麼變形
一般情感分析給整體一個判斷。但「這台吹風機外觀好看，但風力很弱」一句裡其實有兩個情緒。
答案
方面式情感分析會分別針對每個面向（外觀、風力、價格、客服）給出獨立的情感標籤。電商更愛這個，因為能精準知道「我們家產品哪個維度被嫌」。
「真『棒』，買到爛貨」字面是讚但實際是罵。如果模型只看單字會判錯。
答案
兩條路：1. 訓練資料多放反諷例子，模型學久了會抓「反諷的語感」（引號、過度誇張的形容詞）；2. 用更強的上下文模型（BERT、GPT），它們對「整句語氣」感受更敏銳。
「商品還行 😡」這個 emoji 比文字訊號還強。
答案
把 emoji 當作 token 一起餵進模型訓練。emoji 本身就是強烈情感信號（😍 正面、😡 負面、🤷 中性），現代 NLP 模型會把它編碼成跟文字同等重要的資訊。
二元：正面 / 負面。五級：1 ~ 5 顆星。
答案
電商評分通常用五級（1 ~ 5 星），可以量化「多正面」vs「多負面」。二元只能告訴你「有沒有抱怨」，不能告訴你「抱怨有多兇」。輸出層多一個分數迴歸就能變五級。
股市的「跌」是負面，但醫療的「燒退了」是正面。同一個「降」字在不同領域意思相反。
答案
模型在 A 領域訓練，丟到 B 領域準確度會掉。解法是「領域適應」（domain adaptation）：拿 B 領域的少量標註資料微調模型，或用半監督方法讓模型自己學新領域的詞。
延伸