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

零售评论方面级情感分析:用本地大模型抽取物流、质量与客服评价

上邦 AI 工程团队2026-10-02阅读 约 8 分钟
整体好评率看不出问题出在哪。方面级情感分析(ABSA)能把一条评论拆成物流、质量、客服、性价比等维度,分别判定情感极性并定位原因,是零售体验诊断的利器。本文用本地大模型做结构化抽取,给出可直接运行的 JSON 模式提示与后处理代码,全程私有化、不外发用户评论数据。

为什么需要方面级而非整体情感

一条五星评论可能写着物流很快但质量一般。整体情感模型只能给一个分数,运营看了仍不知道该改仓储还是改品控。方面级情感分析(Aspect-Based Sentiment Analysis,ABSA)把文本拆成若干方面,对每个方面单独判极性并给出理由,正好对应零售最关心的物流、质量、客服、性价比等维度。

第一步:定义方面清单与抽取模式

先用一份固定方面表约束模型输出,避免每次维度漂移。下面用本地大模型(Ollama 接口)按 JSON 模式抽取,确保下游可直接解析:
import requests, json

ASPECTS = ['物流', '质量', '客服', '性价比', '包装']

prompt = (
    '你是零售体验分析助手。对给定评论,仅从方面清单中识别出现过的方面,'
    '每个方面给出极性 positive/negative/neutral 与一句理由。'
    '只输出 JSON,不要解释。方面清单:' + ','.join(ASPECTS)
)

def analyze(comment):
    resp = requests.post(
        'http://localhost:11434/api/generate',
        json={'model': 'qwen2.5:7b',
              'prompt': prompt + '
评论:' + comment,
              'stream': False, 'format': 'json'})
    return json.loads(resp.json()['response'])

第二步:把结果聚成维度看板

单条评论的价值有限,真正的洞察来自聚合。把批量评论的抽取结果汇入 pandas,按方面统计负向占比,立刻能看出哪类问题最集中:
import pandas as pd

rows = [analyze(c) for c in comments]
df = pd.DataFrame(rows)

for asp in ASPECTS:
    col = df[asp].apply(lambda x: x.get('polarity') if isinstance(x, dict) else None)
    neg = (col == 'negative').mean()
    print(asp, '负向占比=', round(neg, 3))
本地模型对小众方面的识别可能不稳定,建议先用几百条人工标注样本做一致性校验,再决定是否上线;涉及用户昵称与订单号的评论须先做脱敏。

第三步:从看板到行动

物流负向高:联动仓配部门查时效与破损率,而非只盯评分;
质量负向高:回流品控与供应商,定位具体 SKU 而非整店;
客服负向高:抽取理由中的高频词,针对性优化话术与流程。

参考来源

Hugging Face 官方文档:Transformers 管道与文本分类 - Hugging Face;spaCy 官方文档:基于规则的匹配与实体抽取 - spaCy;Schouten 与 Frasincar,Aspect-Based Sentiment Analysis:A Survey - Foundations and Trends in Information Retrieval(2016)。
相关标签:方面级情感ABSA评论分析零售AI本地大模型

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