在社交媒体刷屏的评论区里，人工智能如何瞬间识别出愤怒的吐槽与真诚的赞美？购物平台为何能自动将"质量太差"归类为差评，把"物超所值"标记为好评？这背后正是自然语言处理（NLP）技术在发挥作用。本文中，我们将以情感分析为切入点，用举例和比喻的方式方法，带您亲历一个NLP项目的完整生命周期。你无需专业背景，只需跟着操作步骤，即可亲手打造出能理解人类情感的智能程序。

情感分析，顾名思义，就是让计算机判断一段文本是

（积极的情绪，比如“很好”“超值”）还是

（消极的情绪，比如“太差了”“后悔”）。要做到这一点，计算机需要完成以下几个步骤：

接下来，我们就按照这个流程，一步步构建一个

在开始编写代码前，我们需要安装一些必要的 Python 库。这些库可以帮助我们进行分词、特征提取和机器学习建模。在 JupyterLab 中运行以下代码安装所需库：

pip install jieba scikit-learn wordcloud matplotlib

为了演示，我们创建一个简单的电商评论数据集，每条评论都带有情感标签（1表示正面，0表示负面）：

# === 导入库 ===
import re
import jieba
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from wordcloud import WordCloud
from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.metrics import classification_report
from sklearn.model_selection import train_test_split
from sklearn.feature_extraction.text import TfidfVectorizer

# === 自定义中文停用词表 ===
stopwords = set("""
的 了 是 就 和 在 有 我 这 个 也 不 都 要 还 又 很 让 之 与 等 而
啊 呀 呢 吧 哦 哇 嘛 嗯 唉 啦 哟 么 哪 么 什么 怎么 为什么
""".split())

# === 数据集（模拟电商评论） ===
data = {
    "text": [
        "手机颜值超高，运行速度特别快，拍照效果惊艳！",
        "物流慢得离谱，等了一个月才到货",
        "性价比一般，电池续航没有宣传的那么好",
        "客服小姐姐态度超好，问题解决得非常快",
        "商品有严重质量问题，完全不能用",
        "这个价格能买到这样的品质真的很划算",
        "包装破损严重，明显是二手商品",
        "操作界面非常人性化，老人也能轻松使用",
        "广告宣传和实物差距太大，感觉被欺骗",
        "系统流畅不卡顿，游戏体验特别棒"
    ],
    "sentiment": [1,0,0,1,0,1,0,1,0,1]  # 1=正面 0=负面
}
df = pd.DataFrame(data)

计算机无法直接理解汉字，所以我们需要进行

 进行分词，并定义一个停用词表：

# === 中文预处理函数 ===
def chinese_text_processing(text):
    # 清洗特殊字符
    text = re.sub(r'[^\u4e00-\u9fa5]', '', text)
    # 精确模式分词
    words = jieba.lcut(text)
    # 过滤停用词和单字
    words = [word for word in words if len(word)>1 and word not in stopwords]
    return ' '.join(words)

# 应用预处理
df['processed'] = df['text'].apply(chinese_text_processing)

经过处理，"手机颜值超高，运行速度特别快，拍照效果惊艳！" 可能会变成 

"手机 颜值 超高 运行 速度 特别快 拍照 效果 惊艳"

 来看看用户评论中最常见的词汇。

# === 生成词云 ===
plt.figure(figsize=(10,6))
wordcloud = WordCloud(
    font_path='simhei.ttf',  # 需要中文字体文件
    width=800,
    height=600,
    background_color='white'
).generate(' '.join(df['processed']))
plt.imshow(wordcloud)
plt.title("用户评论关键词云")
plt.axis("off")
plt.show()

# === 构建机器学习流水线 ===
pipeline = Pipeline([
    ('tfidf', TfidfVectorizer(
        ngram_range=(1,2),  # 包含1-2个词的组合
        max_features=500)),  # 保留最重要的500个特征
    ('clf', SVC(kernel='linear', probability=True))  # 使用支持向量机
])

# === 数据集划分 ===
X_train, X_test, y_train, y_test = train_test_split(
    df['processed'], 
    df['sentiment'],
    test_size=0.3,
    stratify=df['sentiment'],  # 保持类别分布
    random_state=42
)

# 训练模型
pipeline.fit(X_train, y_train)

训练完成后，我们使用测试集评估模型的效果。

# === 模型评估 ===
print("\n=== 模型评估报告 ===\n")
y_pred = pipeline.predict(X_test)
print(classification_report(y_test, y_pred, target_names=['负面', '正面']))

我们可以用训练好的模型来预测新评论的情感。

 返回分类概率，取最大值作为置信度。

# === 预测函数 ===

def predict_sentiment(text):
    processed_text = chinese_text_processing(text)
    prediction = pipeline.predict([processed_text])[0]
    proba = pipeline.predict_proba([processed_text])[0]
    result = {
        'text': text,
        'sentiment': '正面' if prediction == 1 else '负面',
        'confidence': f"{max(proba)*100:.1f}%"
    }
    return result

# === 测试用例 ===
test_cases = [
    "这次购物体验真是糟糕透顶！",
    "物超所值，绝对五星好评！",
    "中规中矩，没什么特别的感觉",
    "这手机烫得可以煎鸡蛋了",

    "操作流畅得让人感动"
]

print("\n=== 预测测试 ===")
for case in test_cases:
    res = predict_sentiment(case)
    print(f"「{res['text']}」 → {res['sentiment']}（置信度：{res['confidence']}）")

通过这篇教程，我们实现了一个完整的

文本预处理、特征提取、模型训练和预测

。从预测结果来看，返回的结果并不理想，在未来我们可以尝试更大的数据集，或使用 

基于HAI应用，从零开始的NLP处理实践指南

人人都能理解的"语言密码"在社交媒体刷屏的评论区里，人工智能如何瞬间识别出愤怒的吐槽与真诚的赞美？购物平台为何能自动将"质量太差"归类为差评，把"物超所值"标记为好评？这背后正是自然语言处理（NLP）技术在发挥作用。本文中，我们将以情感分析为切入点，用举例和比喻的方式方法，带您亲历一个NLP项目的完整生命周期。你无需专业背景，只需跟着操作步骤，即可亲手打造出能理解人类情感的智能程序。情感分析的原理

产品KOL

人工智能

自然语言处理

数据可视化

机器学习

深度学习

数据转换

Python

2025春季采购节

腾讯云大数据特惠专场


ai-class

33 天实现自己的 AI 进化论？发文瓜分机械键盘、耳机等万元奖池！点击参加活动：<a href="https://cloud.tencent.com/developer/article/2503022" target="_blank">https://cloud.tencent.com/developer/article/2503022</a><br/> 
 <img src="https://qcloudimg.tencent-cloud.cn/raw/01543e0407db10898a7ee9f420794432.jpg"/>

技术创作特训营有奖征文

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云AI代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

文章&问答评论现已支持表情

在社交媒体刷屏的评论区里，人工智能如何瞬间识别出愤怒的吐槽与真诚的赞美？购物平台为何能自动将"质量太差"归类为差评，把"物超所值"标记为好评？这背后正是自然语言处理（NLP）技术在发挥作用。本文中，我们将以情感分析为切入点，用举例和比喻的方式方法，带您亲历一个NLP项目的完整生命周期。你无需专业背景，只需跟着操作步骤，...

基于HAI应用，从零开始的NLP处理实践指南

基于HAI应用，从零开始的NLP处理实践指南

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐