完整定義
情感分析(Sentiment Analysis),又稱意見挖掘(Opinion Mining),是一種自然語言處理(NLP)技術,旨在識別和提取文本中的主觀情感、態度或情緒。它通過分析文本中的詞語、短語和上下文,判斷作者或說話者對特定主題、產品、服務或事件的情感傾向,通常分為正面、負面或中性三種類型。
白話說明
你有沒有在你在看 App 評論、社群留言,想知道大家是喜歡還是不滿,發現只看表面常常不夠?
你可以把它想成替文字判斷情緒顏色,先分出正面、負面或中性。
客服、行銷、產品都會用它來快速看大量意見,不用一則一則人工讀。
記住這句
看到文字先判斷情緒傾向,就是情感分析。
比喻:情感分析就像一個能「聽聲辨喜怒」的客服 -- 它讀完客戶的留言後,不只理解內容,還能判斷客戶是開心、不滿還是無感。
容易混淆
關鍵字提取
關鍵字提取像找出文章中的重點詞,情感分析則更進一步,判斷這些詞背後代表的情緒是正面還是負面。
實際案例
電商要批次看上萬則商品評論,找出抱怨太慢、物流差評、服務稱讚。
品牌每天監測社群貼文,觀察新品發表後是正評增加還是負評升高。
演算法與應用
早期可用情緒詞典和規則,現在多半用文本分類模型或 Transformer 微調。
若要看更細,還能再分情緒強度、主題與面向情感。
情境判斷
Q1(直覺題): 一句「服務很快,但包裝有點爛」算正面還是負面?
看情況。它同時有正負兩種情緒,面向情感分析會比單純三分類更準。
Q2(判斷題): 如果評論裡很多反諷,模型會不會容易誤判?
會。諷刺和上下文會讓情感分析變難,這時通常要更好的語境模型。
常見問題
提升情感分析準確度的方法包括:使用高質量的訓練數據、選擇合適的機器學習算法、進行有效的特徵工程、處理複雜的語言現象(例如諷刺、隱喻)、針對特定領域進行模型微調、以及結合人工評估和修正。持續優化和迭代是關鍵。
情感分析面臨的挑戰包括:處理複雜的語言現象(例如諷刺、隱喻、雙關語)、處理主觀性和上下文依賴性、處理跨語言和跨文化差異、處理噪音和不一致的數據、以及處理情感的細微差別和強度。
常用的情感分析工具和程式庫包括:NLTK、spaCy、TextBlob、VADER Sentiment Analysis(專為社交媒體文本設計)、transformers(例如BERT、RoBERTa等預訓練模型)、以及各種雲端AI平台提供的情感分析API(例如Google Cloud Natural Language API、Amazon Comprehend、Microsoft Azure Text Analytics)。
出現在這些考古題
官方公告試題的逐題解析裡,這 4 題把情感分析列為延伸術語。
相關術語
來源
這個術語目前沒有標註外部來源。
其他格式:Markdown 版本