评论情感分类：读懂态度，保留其中的取舍
将评论分为正面、中性、负面或褒贬混合。区分明确的褒贬并存与信息不足，保留评论语境。
匿名体验受免费额度限制。登录后使用账户积分并保留决策历史。
你的下一次决策，从这里开始。
在上方添加背景信息，或使用示例开始体验。
褒贬混合需要两方面的明确证据
同一句评论可以赞扬产品，也可以批评配送。只归为正面或负面会丢失有用的区别。褒贬混合应代表明确的正面和负面评价同时存在，中性则表示缺少清晰评价方向。运行前先确定分类对象是整体体验，还是产品本身等某个方面。即使评论原文不变，范围改变也会改变正确标签的含义。
从具体案例理解边界
以下为场景示例和人工判断要点，并非模型实跑结果。输入你的实际上下文，查看本次决策。
产品好，配送慢
耳机音质非常好，但配送花了三周，客服也一直没回复。
针对整个购买体验，这同时包含明确表扬和批评，符合褒贬混合口径。如果只关心产品情感，配送与客服就是另外的维度。先明确范围，不要期待一个总标签同时回答三个问题。
比较克制的评价
还行吧，基本和描述一样。
根据上下文与标注规则，这可能是温和认可，也可能是中性描述。不能仅凭克制措辞推断强烈失望。让人工评审记录统一边界，避免将标注分歧误认为模型故障。
几乎没有信息的评论
？？？
这里没有明确的正面或负面评价。标注规则可以将其归为中性，但不能解释成客户满意。报表中应能识别信息不足的情况，尤其当负面标签会触发客户回访时。
先约定分类口径
以下是这些选项的建议复核口径。运行时，请在问题或上下文中写明适用于你团队的规则。
| 选项 | 适用情形 | 需要区分的边界 |
|---|---|---|
| 正面 | 在选定范围内表达明确的认可。 | 将整条评论视为好评前，检查是否有实质批评。 |
| 中性 | 描述事实，没有清晰的正面或负面方向。 | 信息不足不能证明客户情绪平静或中立。 |
| 负面 | 在选定范围内表达明确的不满。 | 单个负面词可能被否定，也可能是引用。 |
| 褒贬混合 | 明确的正面评价和负面评价同时存在。 | 仅仅难以判断，不代表两种情感都存在。 |
这些情况值得多看一步
反讽与缺失语境
“太棒了，又坏了”不能只靠积极词汇计数判断。复核样本应包含短语、表情和反讽，并在记录分歧时保留原始文本。
星级替文字回答了问题
如果目标是只分析文本，就不要把星级传入；可在得到结果后对照星级。只有任务明确是综合评论信号时才加入星级，但不能再称其为纯文本评估。
报表与回访采用不同的复核策略
聚合报表需要检查每类错误与褒贬混合评论的占比。即使单条误分看似影响小，系统性误分仍会改变趋势。解释变化前，应比较相同产品范围与语言群体。
客户回访要复核投诉本身及联系是否合适，不能仅凭负面分数触发消息。用自己用户群的已标注评论选择阈值，没有一个通用分界值能保证每次回访决策都可靠。
从一个 Jev API 示例开始接入
通过 cURL 调用 iajev REST API，以 JSON 获取选项、概率与置信度。
curl https://iajev.com/api/v1/decisions/run \
-H 'Authorization: Bearer YOUR_API_KEY' \
-H 'Idempotency-Key: YOUR_UNIQUE_REQUEST_ID' \
-H 'Content-Type: application/json' \
--data '{
"state": {
"message": "应用很容易上手，报表每周都帮我节省好几个小时，但导出较大的文件时会崩溃，客服回复也比较慢。"
},
"decision": {
"type": "choice",
"question": "这条客户评价表达了怎样的情感倾向？",
"choices": [
"正面",
"中性",
"负面",
"褒贬混合"
]
}
}'关于这个工具
怎样区分褒贬混合与中性？
在选定范围内寻找认可与批评两方面的证据。内容少的句子不会因为难分类就变成褒贬混合。写清极短评论的处理方式，避免中性标签掩盖大量未知情况。
多语言评论需要先翻译吗？
先用人工复核样本比较原语言与翻译流程。翻译可能改变反讽、语气强度或本地表达。保留原文，并按语言独立评估，不将英文结果当成其他语言的验证证据。
使用 iajev
提供上下文
保留本次判断所需的事实。
确认选项
按业务流程调整问题与候选项。
运行并复核
查看结果分布，再决定下一步。
置信度就是判断正确的概率吗？
不是。置信度是模型单独给出的估计，选项概率则描述各候选项的分布。两者都不等于经过测量的准确率保证。
可以比较两种输入吗？
修改上下文后，用同一个问题再次运行即可比较概率变化。修改问题或选项会开始新的比较。