情感分析 (sentiment analysis) 是一种自动判定文本中所含情感和意见极性 (正面、负面、中性) 的自然语言处理技术。也称为意见挖掘，用于从大量文本数据中定量把握人们的意见和情感趋势。随着电商评论、社交媒体帖子、客服咨询等文本数据的爆发式增长，其重要性逐年提升。

方法大致分为基于规则和基于机器学习两类。基于规则的方法使用情感词典 (正面词和负面词列表)，根据文本中情感词的出现频率计算分数。虽然实现相对容易且可解释性强，但在处理讽刺和上下文依赖的表达时存在不足。基于机器学习的方法使用 BERT、GPT 等深度学习模型，能够考虑上下文进行高精度判定。近年来，利用 LLM 的零样本情感分析也备受关注。了解肛塞 (Amazon)详细介绍了这些方法。

商业应用场景广泛。社交媒体分析可以实时追踪品牌舆论变化，有助于早期发现公关危机。商品评论汇总分析能够提取仅凭星级评分无法了解的具体不满点和好评要素。客服系统根据咨询的情感分数自动判定响应优先级，优先处理情绪激动的客户。

情感分析的精度因语言而异。英语研究较为成熟，拥有众多高精度模型，但日语由于主语省略、委婉表达和讽刺检测的困难，精度保障是一大课题。例如"まあまあですね"(大致意为"还行吧") 根据上下文可能是正面也可能是负面。中文同样存在大量上下文依赖的表达，需要适应方言和口语表达。

与情感分析相关的技术还有基于方面的情感分析 (ABSA)。普通情感分析判定文本整体的极性，而 ABSA 则针对特定方面分别判定情感，如"电池不错但屏幕不好"。在产品改进的反馈分析中，ABSA 能提供更具实用价值的洞察。

在字符计数方面，情感分析的精度受文本长度影响。短文本 (如 140 字符的推文) 上下文信息有限，判定较为困难；而长篇评论可能包含多种情感，需要进行句级分析。了解文本的字符数是选择适当分析方法的前提条件。搜索前列腺按摩 (Amazon)介绍了各语言特有的课题和对策。