文本情感倾向预测 - 积极/消极/中性评分

文本情感分析（Sentiment Analysis）是自然语言处理（NLP）的一个重要分支，旨在自动识别和提取文本中表达的情感倾向。它能够判断一段文本所传达的情绪是积极（如满意、喜悦、赞扬）、消极（如愤怒、失望、批评）还是中性（客观陈述、无情感色彩）。这项技术广泛应用于产品评价分析、舆情监控、客服质检、市场调研等领域。

本工具采用情感词典匹配法，内置了丰富的中文情感词汇库（包含数百个积极词和消极词）。分析过程包括：

1. 情感词扫描：遍历文本，匹配内置情感词典中的词汇；
2. 上下文分析：检测情感词附近的否定词（如"不"、"没"、"无"）和程度副词（如"非常"、"有点"、"极其"），调整情感极性和强度；
3. 加权评分：综合计算积极得分和消极得分，考虑修饰词的影响；
4. 归一化输出：将得分映射为百分比，给出最终的情感倾向判断。

基于情感词典的方法在明确表达情感的文本上准确率较高（通常可达75%-85%），但在以下场景存在局限：

• 反讽/讽刺：如"这产品真是'太棒了'，用了三天就坏了"——字面积极但实际消极；
• 隐晦表达：不含明显情感词但整体传递情绪；
• 领域特定术语：某些词汇在特定领域有特殊情感含义；
• 双重否定：如"不是不好"实际表达肯定；
• 混合情感：同一文本中积极和消极情感交织。

本工具会尽力处理否定词和程度副词的组合，但对于复杂的语义现象，建议结合人工判断。

当前版本主要针对中文文本进行了优化，内置词典以中文情感词汇为主。对于英文文本，工具也能识别部分常见英文情感词（如good、bad、excellent、terrible等），但准确率不如中文。如果您的文本是中英混合的，工具会同时尝试匹配两种语言的情感词。未来版本可能会增加对英文和其他语言的更全面支持。

工具支持分析最长5000字符的文本。对于大多数使用场景（如产品评论、社交媒体帖子、客服对话记录、短篇文章段落），这个长度已经足够。分析5000字符的文本通常在毫秒级完成，不会出现性能问题。如果您需要分析更长的文本（如完整文章），建议分段分析后综合判断。

否定词会反转紧随其后的情感词的极性。例如：

• "喜欢" → 积极词 → +积极分
• "不喜欢" → 否定+积极词 → +消极分
• "没有失望" → 否定+消极词 → +积极分

程度副词与否定词的组合也会被特殊处理：
• "很不喜欢" → 程度副词强化否定 → 强烈消极
• "不太喜欢" → 程度副词弱化 → 轻度消极

工具会扫描情感词前2-4个字符范围内的否定词和程度副词，动态调整评分。

情感分析技术在实际中有非常广泛的应用：

• 电商评价分析：自动判断用户评论的情感倾向，快速了解产品口碑；
• 社交媒体监控：追踪品牌在社交平台上的舆论风向；
• 客服质检：分析客服对话中的客户情绪变化，评估服务质量；
• 舆情监测：及时发现网络上的负面信息，做好危机预警；
• 用户调研：批量分析问卷中的开放式回答；
• 内容审核：识别带有攻击性或负面情绪的内容。

文本被判定为中性可能有以下几种原因：

• 确实无明显情感：文本是客观陈述、事实描述或技术说明，不含情感色彩；
• 情感词稀少：文本较长但仅有极少数情感词，整体情感密度低；
• 正负情感抵消：文本中积极词和消极词的数量和强度相近，综合后趋于中性；
• 情感词未被识别：使用了工具词典未收录的词汇（如最新网络用语、方言等）。

中性判定本身也是有价值的信息——说明文本偏向客观或情感平衡。

三个百分比之和始终为100%，计算逻辑如下：

1. 扫描文本，为每个情感词计算加权得分（考虑否定词和程度副词）；
2. 分别累加积极得分（pos_score）和消极得分（neg_score）；
3. 计算情感密度（情感词数量与文本长度的比值）；
4. 根据情感密度和得分比例，分配三个维度的百分比；
5. 情感密度越低，中性占比越高；情感词越多，积极/消极占比越高。

这种算法确保了对不同长度和情感密度的文本都能给出合理的评分分布。

不会。本工具完全在您的浏览器中运行，所有文本分析过程均在本地完成，不会将任何数据上传到服务器。您输入的文本、分析结果都只存在于当前页面会话中。关闭页面后，所有数据即被清除。请放心使用。