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)。