情感分析 是什麼？

Sentiment Analysis — 情感分析 的完整解釋

情感分析是一種自然語言處理技術，用於識別和提取文本中的主觀情感，例如正面、負面或中性情緒，應用於輿情監控、客戶回饋分析等。

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。

最關鍵的區別：先看它是在比意思、比結構，還是在做任務輸出。

記住這句就好

看到文字先判斷情緒傾向，就是情感分析。

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。

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

情感分析的準確度如何提升？

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。

情感分析有哪些挑戰？

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。

情感分析可以使用哪些工具和程式庫？

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）。