一句话定义：情感分析（Sentiment Analysis）就是让程序读一段文本，判断它表达的态度是正面、负面还是中性，通常还附一个强度分数。
它怎么打分：最早的思路很朴素：准备一份情感词典，给每个词预先标好分数，“满意 +2”“糟糕 −3”“还行 0”，再把句子里所有词的分数加起来，超过阈值就算正面。这相当于给一段话按词计分：正面词加分，负面词减分。今天主流做法换成了预训练语言模型（Pre-trained Language Model），不再逐个词查表，而是把整句放进去学“这种说法通常出现在什么语境里”，对口语、缩写、新词更耐受。
为什么一遇到反讽就翻车：词典法的关键在于它只数词、不看语境。几个真实会遇到的情况：
- “这服务真是绝了，等了两个小时。”词典只看到“绝了”这类词的高分，很可能判成正面。
- “不算差。”两个负面或中性词叠在一起，实际偏正面。
- “手机很薄，但电池太不经用。”整句该算正还是负？句子级模型只能给一个含糊的中间值，而业务方想知道的是“薄是优点、续航是缺点”。
反讽（Sarcasm）尤其难，因为它要求模型知道“字面意思不成立”，而这依赖常识和上下文：谁在说、对谁说、之前发生了什么、这个平台的用户习惯怎么讲话。人类读一句“老板今天居然准点下班了，真感人”，靠的是对职场语境的共享知识；模型没有这层背景，只能从大量语料里近似学到“居然”“真感人”在某些组合下偏负面，遇到数据里没出现过的新说法就很容易失手。表情符号、反话后加“狗头”、行业黑话、五星好评里夹一句“可惜第二天就坏了”，都会让结果偏掉。还有一层：同一句话在不同领域极性相反，“这药劲真大”在药品评论里偏负面，在咖啡评测里就是夸。
和相邻概念的区别
| 概念 | 回答的问题 | 典型输出 |
|---|---|---|
| 情感分析 | 态度是正、负还是中性 | 极性 + 强度 |
| 情绪识别（Emotion Recognition） | 具体是哪一种情绪 | 喜悦、愤怒、焦虑等标签 |
| 意图识别（Intent Detection） | 说话人想干什么 | 咨询、投诉、退款 |
| 方面级情感分析（Aspect-Based Sentiment Analysis） | 对哪一点满意或不满意 | 属性到极性，如“续航：负” |
情感分析只管“好/坏”这一维度，情绪识别管“是哪一种情绪”，意图识别关心下一步该派给谁。这三项在客服处理流程里经常串联使用：先判断用户意图，再看情绪强度，情绪特别激烈的转人工。
对实际工作意味着什么：产品团队用它看评论口碑，客服团队用它给工单排优先级，运营用它做舆情预警。几条朴素经验：看混淆矩阵而不只看准确率，因为把差评判成好评的代价往往远大于反过来；把它当线索而不是结论，负面聚集的样本一定要人去看原文；业务如果很垂直，通用模型的效果通常不如用几百条自己标注的数据微调一次。
对普通人来说，值得知道的是：你在评论区打的分数、写的那段话，很可能被一个不擅长体会言外之意的程序打了标签。它猜得不错，但它不知道你在阴阳怪气。