情感分析

1. 核心定位

情感分析 (Sentiment Analysis) 是自然语言处理 (NLP) 的一个核心应用分支，旨在通过算法自动判别一段文本中所蕴含的极性情感（如：积极 Positive、消极 Negative 或 中性 Neutral），广泛应用于电商评价分析、社交媒体舆情监控等业务。

---

2. Python 主流情感分析工具库

以下组件适用于快速构建基线模型，避免从零训练复杂的深度神经网络。

2.1. VADER (Valence Aware Dictionary and sEntiment Reasoner)

专为 社交媒体文本（如 Twitter 帖子）而构建的基于词典和规则的情感分析工具。

• 优势：无需任何训练数据。它极其聪明地理解标点符号（如 !!!）、大写强调（如 GREAT）、缩写及 表情符号 (Emojis) 对情感强度的影响。
• 安装：pip install vaderSentiment

2.2. TextBlob

基于 NLTK 和 Pattern 封装的极其友好的 NLP 工具库，API 设计极简。

• 核心功能：调用其对象的 .sentiment 属性即可一键获取文本的两个核心分数：
  • polarity（极性）：范围 [-1.0, 1.0]，衡量消极到积极的程度。
  • subjectivity（主观性）：范围 [0.0, 1.0]，衡量文本是客观事实还是主观意见。
• 安装：pip install -U textblob

2.3. Pattern

不仅仅是一个情感分析库，而是一个面向 Web 挖掘的完整组件箱（包含了数据抓取、NLP 分析、机器学习聚类等）。

• 安装：pip install pattern

• [! warning] 底层依赖编译避坑 极可能在 Linux 环境安装时报错 error: mysql_config not found。必须先在操作系统层面补齐 MySQL 底层 C 驱动头文件。 修复指令 (Ubuntu)：sudo apt install libmysqlclient-dev

3. 进阶与现代化提示

随着大语言模型 (LLM) 的崛起，对于极度复杂的语义转折、隐喻讽刺或带有强烈垂直行业背景的情感分析，利用 Prompt Engineering 调用类似于 GPT-4 或开源 Llama 3 往往能比传统的规则词典获得更深入、准确的零样本 (Zero-shot) 预测效果。