欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

用 sentence-transformers 做电商评论情感分析:挖掘差评根因

上邦 AI 工程团队2026-09-06阅读 约 10 分钟
本文给出一条可复现路线:用 sentence-transformers 将商品评论编码为语义向量,通过余弦相似度做情感极性判断与差评聚类,结合本地大模型(Ollama)总结差评根因。全程可在内网运行,帮助电商与品牌方把海量评论变成可行动的改进清单。

评论分析为什么适合向量化

电商评论口语化、长尾多,物流慢、发货慢、等了好久表达的是同一类不满。传统关键词匹配容易漏检,而句向量(sentence embedding)能把语义相近的评论聚到一起。用 sentence-transformers 把每条评论编码为固定维度向量,再做余弦相似度计算,即可实现情感判断与聚类。

环境准备与模型选择

安装并加载支持中文的多语言模型:
pip install sentence-transformers
from sentence_transformers import SentenceTransformer, util

model = SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
paraphrase-multilingual 系列支持 50 多种语言,适合中文评论;若追求精度可用 text2vec 中文句向量等社区模型。

情感极性与相似度判断

用少量正面与负面参考句作为锚点,计算待判评论与它们的相似度,取更近的一类作为情感标签:
pos_refs = ['质量很好,物超所值', '非常满意,推荐购买']
neg_refs = ['物流太慢,等了很久', '质量很差,后悔购买']

def sentiment(comment):
    e = model.encode([comment] + pos_refs + neg_refs)
    p = max(util.cos_sim(e[0], e[i+1]) for i in range(len(pos_refs))).item()
    n = max(util.cos_sim(e[0], e[1+len(pos_refs)+i]) for i in range(len(neg_refs))).item()
    return '正面' if p >= n else '负面'

print(sentiment('收到货发现包装破损,很失望'))
这种方法属于少样本或零样本判断,无需标注大量训练数据,适合快速验证。

差评聚类:把根因挖出来

对所有负面评论做向量聚类(如 scikit-learn KMeans),同一簇往往对应同一类问题(物流、质量、客服)。再用本地大模型(Ollama 运行的 qwen2.5)对每簇评论生成一句话根因摘要:
import ollama
cluster_comments = ['物流太慢,等了十天', '发货慢,催了才发', '快递半天不动']
nl = chr(10)
prompt = '以下是一组差评,用一句话概括共同根因:' + nl + nl.join(cluster_comments)
print(ollama.chat(model='qwen2.5:3b', messages=[{'role':'user','content':prompt}])['message']['content'])
由此可以得到物流时效、包装破损、尺寸不符等可行动的根因标签,直接对接运营与供应链改进。

落地建议

① 先对近 30 天评论做情感分层,量化负面占比与趋势;
② 对负面簇做人工抽检,校准聚类与根因标签;
③ 把结果沉淀为周报,驱动客服话术、选品与履约改进。
说明:情感判断存在误差,关键决策应结合人工抽检,本文为工程参考。

参考来源

Sentence-Transformers 官方文档 - www.sbert.net;Hugging Face 模型库与 sentence-transformers 生态 - huggingface.co;Ollama 本地大模型运行框架文档 - ollama.com。
相关标签:电商评论情感分析句向量sentence-transformers差评挖掘

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案