主题
情感分析
读懂文字背后的立场。 判断文本情感倾向类别、得分、趋势变化与情感词频。
适用场景
适合：
- 想知道一批文本整体是正面还是负面，以及程度如何。
- 需要情感随时间的变化趋势（如某事件前后舆论走向）。
- 要统计情感词的分布，做情感词典层面的分析。
不适合：
- 想知道不同话题下的情感差异 → 用分维度情感分析。
- 只做金融文本的语调指标构建 → 用经管文本指标 - 情感语调。
操作步骤
| 步骤 | 要做什么 | 产出 |
|---|---|---|
| 1. 数据上传 | 上传语料 | 语料 |
| 2. 词表设置 | 确认停用词、自定义词、同义词 | 词表配置 |
| 3. 情感分析 | 选择一个方法执行 | 文本级情感类别与得分 |
| 4. 情感词分析 | 统计情感类别下的高频词 | 情感词表 + 词云图 |
| 5. 主客观 | 区分主观表达与客观陈述 | 主客观分类结果 |
| 6. AI 解读 | 生成学术化结果描述 | 可写入论文的段落 |
第 3、4、5 步是并行的
三步都只依赖词表设置，彼此没有先后关系——想只跑情感分析就先只跑第 3 步， 不需要把三步都跑一遍。第 6 步的 AI 解读则只要三步中任意一步完成即可执行。
方法怎么选
不同方法适配不同语料，选错方法比调参影响更大：
| 方法类型 | 特点 | 适用 |
|---|---|---|
| 词典法（含/不含副词否定词） | 可解释、速度快、结果可追溯 | 中文为主、需要说明判断依据 |
| 七类情绪（含/不含否定词） | 细分为乐、好、怒、恶、惊、惧等 | 需要情绪细分而非正负二分 |
| TextBlob | 英文规则法，CPU 方案 | 英文语料、不希望依赖模型 |
| twitter-roberta | 社交媒体预训练模型 | 推文、评论等短文本 |
| 大模型向量 / 大模型提示词 | 准确率更高，成本更高 | 语义复杂、需要理解上下文 |
| 百度 API | 第三方服务 | 需要与外部口径对齐 |
内置词典：大连理工情感词典、知网情感词典、台湾大学情感词典等专业词典，开箱可用。
词典法的一个前提
词典法依赖分词与词典命中，自定义词表没配好会直接影响结果—— 「不+ 满意」如果没被正确处理，可能被算成正面。含副词否定词的版本会处理这类情况， 但代价是速度更慢。
结果说明
| 结果 | 说明 |
|---|---|
| 文本级情感结果 | 每篇/每句的情感类别与得分 |
| 情感分布表 / 饼图 | 正面、负面、中性各占多少 |
| 分文件 / 分时间情感图表 | 情感随时间的变化曲线 |
| 情感词统计表 / 词云图 | 各情感类别下的高频词 |
| 主客观分类结果 | 主观表达与客观陈述的比例 |
计费方式
| 步骤 | 计费 |
|---|---|
| 上传、词表设置 | 免费 |
| AI 词表推荐 | 按次固定积分 |
| 情感分析 | 按文本字符数阶梯计费，不同方法单价不同（大模型类按输入字数计费） |
| 情感词分析 | 按文本字符数阶梯计费 |
| 主客观分类 | 按方法不同：大模型按输入字数、TextBlob 按字符数阶梯 |
| AI 解读 | 按次固定积分 |
具体积分以产品内价目表为准。
相关流程
- 分维度情感分析 —— 先分话题再看情感
- 经管文本指标 - 情感语调 —— 金融领域的语调指标
- 主题分析 —— 情感分析常与主题分析配合使用
详细操作文档
📖 3.5 情感分析