---
title: "情感分析（Sentiment Analysis）"
slug: sentiment-analysis
language: zh-TW
source: https://aiterms.tw/terms/sentiment-analysis
updated_at: 2026-04-29
tags: [自然語言處理, 機器學習, AI應用, 模型評估, 資料處理, 深度學習]
ipas_term: false
---

# 情感分析（Sentiment Analysis）

> **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。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 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
> **Q：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。
>
> **Q：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。
>
> **Q：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）。

### 相關術語
> - **自然語言處理**：先懂 NLP 的整體範圍，才知道這個概念在文字任務裡扮演哪一段。
> - **文本分類**：情感分析和金融情緒分析都常先被看成它的子類。
> - **機器學習**：很多應用的底層都離不開機器學習。
> - **金融情緒分析**：讀完這個術語，再看它能把範圍往外延伸。
> - **自然語言理解**：它比一般 NLP 更偏理解層，最適合拿來對照語義層次。

---

來源：https://aiterms.tw/terms/sentiment-analysis
快查頁：https://aiterms.tw/terms/sentiment-analysis
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-sentiment-analysis