为什么 Sentiment Analysis 需要升级：Welcome Sentimetric

I’m happy to translate the article for you, but I’ll need the text you’d like translated. Could you please paste the content (or the portion you want translated) here? I’ll keep the source line and all formatting exactly as you requested.

为什么我创建了 Sentimetric

我厌倦了仍然停留在 2010 年水平的情感分析库。
运行一条评论，例如：

“This is insane! thank you!”

通过 TextBlob，它自信地返回 ‑1.0（整个数据集中最负面的评论）。

人类却知道这条评论是 热情且感激的——单词 insane 正在被用作现代俚语，意为“超棒”。

2025 年的语言

• 纷繁、依赖上下文且不断演变。
• insane、sick、fire、unreal 等词现在表达的是热情。
• 讽刺常常伴随表情符号。
• 像 “Oh great, another bug 🙄” 这样的短语能承载完整的情感场景。

大多数情感分析工具仍然依赖多年前构建的词典，其中：

• insane = 负面
• excellent = 永远是正面（即使在讽刺时）

实际数据中的问题

我使用 TextBlob 分析了 YouTube 评论，结果它把 “This is insane! thank you!” 分类为 208 条评论中 最负面 的评论。

当你在分析客户反馈、社交媒体情感或用户评价时，这些误分类不仅是怪癖——它们会直接误导决策。

• 想象一下，基于“洞察”认为兴奋的客户实际上不满意来做产品决策。
• 或者把热情的推荐误过滤为有害内容。

测试集与基准结果

I assembled a 20‑phrase test set containing modern slang, sarcasm, and emojis—typical of social media, product reviews, and customer feedback. I ran the set through three popular rule‑based libraries:

Note: Even Sentimetric’s rule‑based engine struggles because rule‑based systems have fundamental limits.
注意： 即使是 Sentimetric 的规则引擎也会遇到困难，因为规则系统有根本性的局限。

三个突出示例（基于规则 vs. Sentimetric）

Sentimetric 能够理解 insane 和 fire 在现代俚语中可以是积极的，并且它能够检测出第三个例子中的讽刺。

按挑战类型的性能

传统工具在当代语言模式上完全失效。

规则系统的上限

即使拥有大量俚语词典、表情符号映射和讽刺模式，基于规则的方法也会遇到硬性上限。语言过于富有创造性、情境化且具有人类特性，静态规则难以覆盖。

解决方案：LLM 集成

我为 Sentimetric 添加了无缝的 LLM 支持（使用 DeepSeek，一款性价比高的模型）。

LLM 挽救了 7 个 基于规则分析未能识别的案例——在最难的示例上提升了 47 %。

LLM‑驱动的解释（为何重要）

生产就绪架构

1. 80 % 的文本 → 基于规则的分析器

   • 快速（毫秒级）
   • 免费，无需 API 调用
   • 对直接的情感判断足够

   from sentimetric import analyze
   
   result = analyze("Great product, fast shipping!")
   # Quick, free, accurate

2. 20 %（难点） → LLM 分析器

   • 处理讽刺、细微差别和复杂情境
   • 返回推理过程
   • 支持多家性价比高的供应商（DeepSeek、OpenAI、Claude、Gemini）
   • 在可能的情况下自动回退到更便宜的模型

结论

基于规则的情感分析速度快、成本低，但在现代语言上会失效。
Sentimetric 为你提供两全其美的方案：一个 混合流水线，对大多数输入使用规则的高速处理，对棘手的 20 % 使用 LLM 智能——同时保持代码库简洁、可直接投入生产。

Sentimetric – 现代情感分析

from sentimetric import LLMAnalyzer

analyzer = LLMAnalyzer(provider="deepseek")
result = analyzer.analyze("Oh great, another bug 🙄")
print(result.category)   # 'negative'
print(result.reasoning)  # Full explanation

您可以在批量任务中获得 基于规则处理的速度和成本效益，在需要时又能享受 LLM 的智能。
这不是二选一的选择——两者兼顾，在合适的情况下同时使用。

为什么选择 Sentimetric？

• 基于规则的分析真正理解当今的语言
• 无缝的 LLM 集成，满足需要时的场景
• 注重成本的设计，不会让您的 API 预算破产
• 简洁的 API，不妨碍您的工作流

目标不是打造完美的情感分析器——那是不可能的。
目标是为每项工作提供合适的工具，让使用变得极其简单，并随着语言的演变不断改进。

安装

pip install sentimetric

快速分析（基于规则）

from sentimetric import analyze

result = analyze("This is fire! 🔥")
print(result.category)   # 'positive'

LLM 分析（按需）

from sentimetric import LLMAnalyzer
import os

os.environ["DEEPSEEK_API_KEY"] = "your-key"
analyzer = LLMAnalyzer()

result = analyzer.analyze("Oh great, another bug 🙄")
print(result.category)   # 'negative'
print(result.reasoning)  # Full explanation

比较方法

from sentimetric import compare_methods

compare_methods("This is insane! thank you!")
# 显示基于规则与 LLM 并排比较

持续开发

我正在积极改进 Sentimetric 的基于规则的引擎，内容包括：

• 更现代的模式
• 更好的表情符号处理
• 更智能的讽刺检测

该库是 开源 的——我期待您的反馈、错误报告以及情感分析失效的案例。语言不断演变；我们的工具也需要跟上。

• Repo: https://github.com/peter-abel/sentimetric
• Email: peterabel791@gmail.com

让我们让情感分析真正适用于现代语言！