1.1 基本概念与定义

1.1 基本概念与定义

本节摘要：SOURCE 1.1 将文本分类定义为将文本分配到预定义类别的监督学习任务；情感分析（意见挖掘）则量化主观态度，输出积极/消极/中立或更细情绪。本节用任务类型表与 ABSA 示例把边界讲清。

学习目标

1. 写出文本分类与情感分析的输入/输出形式
2. 区分二分类、多类、多标签三类设定
3. 说明文档级、句子级、方面级情感的区别

一、文本分类：把非结构化文本变成标签

SOURCE 1.1.1：文本分类核心目标是自动化识别文本所属类别。输入是原始字符串，输出是一个或多个预定义标签。

二、情感分析：分类的「主观性」分支

SOURCE 1.1.2：情感分析关注作者态度、情绪、评价，常见输出：

• 极性标签：积极 / 消极 / 中立
• 得分：连续值如 -1 到 1
• 细粒度情绪：高兴、愤怒、悲伤等

产品评论场景：「屏幕很亮，但电池一天都撑不住」——文档级可能是「混合」，方面级 ABSA 需分别判断「屏幕→积极」「电池→消极」。

分类 vs 情感 对照

三、系统五阶段流水线（SOURCE 1.1.4）

1. 数据收集与预处理 — 清洗、分词、停用词、词干/词形还原
2. 特征提取 — BoW、TF-IDF、词向量、上下文向量
3. 模型构建与训练 — NB、SVM、RNN/CNN、Transformer
4. 模型评估 — Accuracy、Precision、Recall、F1
5. 部署与应用 — 对新文本推断

# 概念：最小推断接口
def predict(text: str, pipeline) -> str:
    features = pipeline["preprocess"](text)
    return pipeline["model"].predict([features])[0]
​

四、核心术语速查（SOURCE 1.1.5）

⚠️ 常见坑：把「三分类情感」当成多标签——每篇评论只能有一个整体极性时，应使用多类单标签。

💡 关键直觉：情感分析可复用分类算法，但标注规范必须处理否定、转折与讽刺。

要点速记

• 文本分类输出预定义类别；情感分析输出态度/情绪
• 任务设定先定清：二分类 / 多类 / 多标签
• ABSA 在方面维度做极性，适合电商细粒度洞察
• 五阶段流水线贯穿本教程后续各章

下一节看这些任务在垃圾过滤、舆情、客服等场景的落地形态。

补强：任务设定的工程决策

前面把三类设定（二分类、多类、多标签）摆在了桌面上，这里补两个经常被忽略的工程决策。第一，类别要「互斥、完备、可执行」——互斥指单标签任务里一篇文本只能落一个类，完备指任何输入都能映射到某一类，可执行指标注员能在有限时间内判断。很多项目把「一般」和「中性」同时设成类别，标注员无所适从，这就是标签体系没设计好。第二，多标签与多类的取舍要看业务动作：一篇文章推给一个频道还是推给多个频道？前者用多类，后者用多标签，二者评估方式完全不同，多标签需要算 Hamming Loss 或每类单独看精确率召回率。

ABSA（方面级情感）值得单独强调。它不是把整句判成积极或消极，而是先抽「方面」——屏幕、电池、物流——再对每个方面判极性。实现上常拆成两个子任务：方面抽取与极性判定，也可以用一个联合模型一步完成。这决定了标注规范的设计：每条样本要标出「哪几个方面、各自什么极性」，比单纯标整句极性贵得多，但产出可直接驱动供应链与产品改进。

# 概念：类别体系自检清单（示例）
def check_schema(labels, task_type):
    checks = {
        "互斥": len(set(labels)) == len(labels),
        "完备": "其他" in labels or task_type == "多标签",
        "可执行": len(labels) <= 12,
    }
    return checks
# 情感三分类 → 单标签多类；主题+情感 → 多标签
​

一句话收束：标签体系定错了，后面的模型、评估、标注全是错的方向，本章是整条流水线的「地基设计图」。

一个完整的任务卡片示例

定义任务时建议按固定格式写任务卡片：任务名、输入样例、输出标签、粒度、评估指标、上线口径。下面给出一张电商评论情感分类的任务卡片，可当作模板使用。

任务卡片写清楚后，第 2 章的标注规范、第 4 章的训练脚本、第 5 章的监控指标都能以此为锚点对齐，避免各部门各写各的。