3.3 文本分类与情感分析

3.3 文本分类与情感分析

本节摘要：除了意图，NLU 还常做两类辅助分析：文本分类（文本属什么类）与情感分析（用户什么情绪）。本节讲清两者的任务定义、在对话系统中的作用（路由、情绪响应）、以及实现方式。

本节目标

阅读完本节，你应当能够：

1. 理解文本分类
2. 理解情感分析
3. 应用在对话系统
4. 选择实现方式
5. 评估效果

一、问题与直觉

"用户'骂了一句'，系统还在机械回答"——体验崩盘。情感分析让系统"知道用户情绪"，情绪不好时换策略。文本分类则做"路由"（投诉、咨询、建议分到不同处理）。分类定"属什么"，情感定"什么情绪"——两个辅助能力，关键时刻很关键。

二、核心原理

2.1 任务定义

2.2 在对话系统中的作用

• 分类路由：投诉走投诉流程、咨询走咨询流程
• 情感响应：情绪激动时安抚、转人工

💡 关键直觉：分类管"效率"，情感管"体验"——分类把请求送对门，情感在用户情绪差时踩刹车。两者都是 NLU 的"辅助决策信号"。

三、工程实践要点

3.1 应用场景

⚠️ 常见坑：把情感分析当意图识别用。"很生气地问退款"——意图是退款，情绪是愤怒——两者不同维度，别混用。

3.2 实现方式

3.3 评估

分类：准确率、各类别 F1
情感：准确率、混淆矩阵
重点：负面情绪的召回（别漏掉愤怒用户）
​

重点提炼

• 要点一：分类定"属什么"，情感定"什么情绪"
• 要点二：分类管路由，情感管体验
• 要点三：情绪差时安抚 + 转人工
• 要点四：别把情感当意图
• 要点五：词典、模型、大模型三种实现
• 要点六：负面情绪召回最重要

辅助能力会用了，下一节深度分析——句法与语义分析。

深度扩展：情感分析的建模路线与"情绪阈值"策略

"分类管效率，情感管体验"——这里把情感分析从数据、建模到使用策略完整过一遍。

路线一：词典法。准备正向/负向情感词典，统计句子中命中词的得分，加减得到情绪倾向。优点是零训练、解释性强；缺点是反讽、否定（"一点也不生气"）处理不了。词典常作为基线。

路线二：分类模型。把情感分析当三分类（正向/中性/负向）或打分回归问题，用标注数据训练模型。这是生产主力，稳定且可离线评估。标注时的粒度要按用途定：只需"正/负/中"三档，还是需要"愤怒/委屈/平静"等细分情绪——分得太细标注贵、分错率高，按业务需求够用即可。

路线三：大模型。Few-shot 判断情绪，能处理反讽等复杂表达，但要注意输出的一致性与延迟。

把情绪变成策略：情感分析单独用价值不大，价值在它触发什么动作。核心是设"情绪阈值"策略：

情绪得分(负向程度)
0~3   正常 → 走正常流程
4~6   不满 → 安抚话术 + 简化操作
7~10  愤怒 → 优先安抚，降低追问密度，必要时直接转人工
​

愤怒场景尤其要"先接住情绪再办事"：模型回复里先共情（"非常抱歉让您着急了"），再给下一步，而不是机械地重复"请问还有什么可以帮您"。另一个常见用法是会话后打分：对整段对话做情感趋势分析，作为服务质量监控信号，把持续负向的对话抽样出来人工复盘。

评估上的注意点：负面情绪要重点看召回——漏掉一个愤怒用户比误伤一个中性用户后果严重得多。看混淆矩阵时，确认负向类别的召回率达标，再谈整体准确率。

动手练习：给高情绪对话设计处理话术

设计一套"情绪分级响应"话术。场景：客服退款流程。请按情绪强度分三档各写一句系统开场：轻度不满（"这边先帮您把订单号记下"）、中度气愤（"非常抱歉，我先帮您核对，结果马上给您"）、愤怒失控（先安抚再给最短路径，必要时转人工）。写完后检查三点：每档话术有没有"先接住情绪再办事"；愤怒档是否降低了追问密度（尽量一次确认完必要信息）；是否都有明确的下一步。再想一个边界：用户持续在愤怒档多轮不缓解，系统该在第几轮转人工？把这个阈值写进你的设计里。做完这套练习，"情感管体验"就从一句口号变成了可执行的策略。