一万两千条商品评论，人工逐条读完要三天。交给 AI 跑一遍，十分钟后得到一张表：正面 68%、负面 24%、中性 8%。数字很整齐，可它回答不了你最想知道的那个问题——那 24% 的人到底在骂什么。情感分析给的是倾向分，不是理解。下面按粒度拆开讲它怎么做、在哪儿失真、什么时候该换个问法。
它输出的是一个倾向，不是一种情绪
严格说，多数情感分析系统做的是极性分类：把一段文本判成正面、负面或中性，有时再加一个强度分。它不区分愤怒和失望，也不区分惊喜和松了一口气——这些属于情绪分类，是另一个任务，标注体系复杂得多。
这个区别在落地时很关键。想知道客服有没有激怒用户，需要的是愤怒；想知道用户会不会复购，需要的是满意度。极性只能粗粗近似后者，对前者基本无效。
四种粒度，四种做法
粒度选错，后面怎么调都白费。四层各自的产出和失真点完全不同：
| 粒度 | 常见做法 | 能给出什么 | 典型失真 |
|---|---|---|---|
| 词级 | 情感词典加规则，逐词查极性再聚合 | 触发词与极性，可逐词追溯 | 新词和领域词收不进词典，直接漏判 |
| 句级 | 分类模型，整句一个标签 | 一句话的极性，通常还带置信度 | 转折句被前半句带偏 |
| 篇章级 | 句子分数加权聚合 | 整篇的整体倾向 | 一条强烈差评能盖过九条好评 |
| 属性级 | 先抽评价对象，再判每个对象的极性 | 「物流差、质量好」这类分开的结论 | 对象识别错，极性就挂到别处 |
第四行是近年最实用的一层。只给一个整句标签，遇到「东西很好但物流太慢」就只能二选一；拆到属性级，两个结论各归各位，才能拿去派活。代价是要多一步对象抽取，而这一步的错误会传导到后面。
否定、反讽、程度，三个老问题
否定词的作用域是第一道坎。「不是不好用」里有「不好用」三个字，逐词打分必然判负，实际是正面。规则系统要靠窗口匹配处理，窗口一大又会误伤。基于上下文的模型好一些，但在长句和多重否定里仍会出错。
反讽基本无解。「真是太好了，等了三小时」——字面全是正面词，语义完全相反。识别反讽需要场景常识，模型能捕捉一部分语气线索，可靠度远达不到可以自动决策的程度。
程度词的问题在可比性。「有点不满意」和「极其愤怒」如果都归进负面，负面比例这个数字就失去了意义。要保留强度就得用回归而不是分类，而强度标注本身主观性极强，不同标注员给出的分数能差出很远。
换一个领域，它就容易失灵
极性词的含义高度依赖领域。「这手机薄得吓人」在数码评测里是夸奖，换个语境可能是抱怨。在服装评论上训练的模型，拿去分析工业设备的售后反馈，词表、句式、评价对象全变了，准确率会掉得很明显。成因和数据漂移一样：训练分布和线上分布不一致，而模型没有任何机制知道自己已经出界。
还有一层更隐蔽的偏差来自标注习惯。如果标注员倾向于把带感叹号的句子判成正面，模型就学到了这个捷径，在感叹号多的领域系统性偏正。这和模型偏见的来源相同——偏见藏在数据的选择里，不在算法的公式里。
一个正负比例，往往不如一次主题归类
如果目标只是监控舆情，比例够了。但如果目标是改进产品，比例几乎没用——知道 24% 负面，下一步仍然不知道改什么。
把任务从「判极性」换成「归类问题」，信息量立刻不同：负面评论按问题类型分组，你会得到「物流慢 312 条、包装破损 87 条、尺码偏小 205 条」。这份清单可以直接派活。用提示词让大语言模型做开放式归类，再人工合并同义类目，比训练一个极性分类器更快见效。
代价是没法完全无人值守。类目会漂移，新问题不断冒出来，每隔一段时间要重新看一眼，否则归类表会慢慢和现实脱节。
它读的是词的概率，读不到说话的人
模型看不到是谁在说、在什么场景下说、说之前经历了什么。同一句「还行」，在满意的人嘴里是勉强，在不满的人嘴里是客气。这些信息不在文本里，任何模型都补不出来。
它也读不出沉默。一万条评论里，不满的人大多不写评论，写的是极端满意和极端不满的两拨。这个样本本身就偏，算出来的比例代表的是「愿意写评论的人」的态度，不是全部买家的态度。
还有一条使用上的边界：不同文本的分数不可比。A 商品的 0.8 和 B 商品的 0.8 来自不同的词分布，把它们放在一张图上排序，结论可能是错的。要比，就在同一批文本、同一个模型、同一套阈值下比。
把它当筛子用是站得住的：先用它把一万条压到两百条重点，人再逐条看。把它当结论用就会出事，因为它给的是一个统计倾向，背后没有理解。
速查：情感分析落地前的四个判断
- 要的是极性、强度，还是具体在抱怨什么
- 粒度选到句级够不够，要不要拆到属性级
- 线上文本和训练语料是不是同一个领域
- 结论要不要人工复核，抽查比例多少
