极性检测是什么？判断一段文字是褒还是贬

极性检测（Polarity Detection），也叫情感极性分类，是情感分析中最基础、最常见的任务：判断一段文本所表达的态度或情感倾向是正面的、负面的，还是中性的。“极性”这个词借用了“正极”和“负极”的概念，形象地表示情感的两个相反方向。

它做什么

给定一段文字，极性检测要给出它的情感倾向。比如：“这家餐厅的菜太好吃了，服务也很周到”是正面的；“等了一个小时才上菜，味道还很一般”是负面的；“这家餐厅位于市中心，营业到晚上十点”是中性的，只是在陈述事实，没有明显的情感倾向。有些系统只区分正面和负面两类；有些系统还会给出情感的强度，比如用一到五星的评分，或者负一到正一之间的分数来表示，“还不错”和“简直完美”虽然都是正面的，但强度不同。

常用的方法

基于情感词典的方法：事先建立一个词典，标注每个词的情感极性和强度，比如“好”“喜欢”“出色”是正面词，“差”“失望”“糟糕”是负面词。分析一段文本时，统计其中的正面词和负面词，综合得出结论，同时要处理否定词，比如“不好”中的“不”把“好”的极性反转了；以及程度副词，比如“非常好”比“好”更强烈。这种方法简单、可解释、不需要训练数据，但很难处理复杂的表达。

机器学习方法：用大量已经标注了情感极性的文本，比如带有星级评分的商品评论，训练一个分类器。早期常用朴素贝叶斯、支持向量机等方法，把文本表示为词频特征。2002 年，Bo Pang、Lillian Lee 等人用电影评论数据研究了机器学习在情感分类上的效果，是这一领域的早期代表性工作。

深度学习和预训练模型：循环神经网络、卷积神经网络，再到 BERT 等预训练语言模型，能够更好地理解上下文和语义，在极性检测上取得了很高的准确率。如今，大语言模型无需专门训练，只要通过提示词就能直接判断文本的情感极性，还能给出判断的理由。

难点

极性检测看起来简单，实际上有不少难点：讽刺和反话，比如“真是太棒了，手机用了三天就坏了”，字面上是夸奖，实际上是抱怨；转折，比如“价格虽然有点贵，但质量确实好”，需要判断哪部分是重点；领域差异，同一个词在不同的领域中极性可能相反，比如“长”在“电池续航时间长”中是正面的，在“等待时间长”中是负面的；混合的情感，一条评论中可能对不同的方面有褒有贬，这时就需要更细致的方面级情感分析；以及网络用语、表情符号和缩写。

应用

极性检测被广泛用于：电商平台的商品评论分析，统计好评率、发现产品的问题；品牌和舆情监测，追踪社交媒体上公众对某个品牌、产品或事件的态度变化；客户服务，自动识别客户的投诉和不满，优先处理；市场调研和竞品分析；以及金融领域，分析新闻和社交媒体的情绪，作为判断市场走势的参考信号之一。