Python电商评价情感分析实战：基于朴素贝叶斯的中文文本分类

你是不是也有过这种经历：被扔过来几万条电商评价，领导说“你分析一下用户对我们产品的口碑怎么样”，然后你打开 Excel，手动刷了一个下午，感觉眼睛都要瞎了，最后只得出一个“大家评价还不错”的结论。如果只是交差倒也没什么，但你要是真想知道“商品质量到底有没有被吐槽”“物流是不是最近掉链子了”“客服态度是不是重灾区”，靠肉眼一条条看，根本不现实。我这次要分享的，就是拿 Python 对苏宁易购的商品评价做一次完整的情感分析实战，分类器选的是朴素贝叶斯，主要解决“一条评价到底是好评还是差评”这个核心问题。整个过程覆盖了数据清洗、中文分词、特征提取、模型训练、效果评估这几个环节，代码量不大，但链路非常完整，非常适合刚学完 Python 语法、想找一个小而美的项目练手的人。

这个项目我反复跑了几轮，中间踩了不少坑，比如中文文本怎么清洗才不伤语义、jieba 分词的分词结果喂给模型之前到底要不要去停用词、朴素贝叶斯为什么在文本分类里这么能打，这些问题我会一个个说清楚。文章里的代码都是完整可跑的，数据格式也不会很复杂，你只要照着准备一份“用户ID+评价内容+评分”的表格就能开搞。我还会把原理部分讲得尽量通俗，毕竟光会调 sklearn，不理解跑出来的结果是什么意思，等于没做。

1. 为什么选苏宁易购评价做情感分析：业务场景与实际价值

1.1 电商评价是最适合练手的中文文本数据

市面上的公开中文情感分析数据集有不少，像酒店评论、微博情感、影评等，但电商评价有它独特的好处：情感倾向和评分是天然绑定的。你在训练之前不需要请人做数据标注，直接用评分的高低映射成正负样本就行，这给我省了非常多的标注成本。苏宁易购的评价体系又比较规范，绝大多数订单都有星级评分，这和内容完全对得上，用来做弱监督训练非常顺手。

另外一个因素是数据量。做朴素贝叶斯这种概率模型，虽然它不像深度学习那样需要海量数据，但样本量太少会直接影响先验概率的稳定性。我最后用的数据集大概有一万两千多条有效评价，正负样本比例接近 4：1，跑出来的效果已经比较理想了。如果你自己手头没有现成数据，也可以先用爬虫去公开商品页面取一部分，或者干脆从已有公开数据集中找类似格式的数据替换。

1.2 业务上我们到底想解决什么问题

从业务视角来看，评价情感分析不是搞着玩的，它其实在回答三个问题：用户对什么满意、对什么不满、不满集中在哪个环节。我这次分析的目标非常明确：判断每条评论文本的情感极性，然后在此基础上按商品类目、按评分维度做交叉统计，看差评集中在哪些 SKU、物流服务还是售后体验。这套流程放在真实的电商运营场景里，可以直接替代原来的“客服人工读评价”，把反馈链路从几周压缩到几分钟。

你要是有自己的店铺后台数据，也可以完全复用这套流程。比如拿到最近三个月的评价，跑一遍情感分类，再按周统计好评率变化，哪个星期评分突然掉了，回头查看文章内容，问题出在哪一目了然。这就是情感分析在业务侧最朴素也最有价值的用法。

1.3 朴素贝叶斯在这个任务里的定位

可能有人会问：现在深度学习这么火，为什么还用朴素贝叶斯？我的答案很直接：在数据量一万级别、特征维度几万维的情况下，朴素贝叶斯的性价比极高。它训练快、解释性强、参数少，基线效果就能到 90% 左右，完全够用。更关键的是，对于刚入门文本分类的开发者来说，朴素贝叶斯的数学推导比较直观，你能真正看懂模型在做什么，而不是把一个黑箱模型跑完就把结果当真理。

在这个项目里，我会用 sklearn 的多项式朴素贝叶斯（MultinomialNB）作为主模型，配合 TF-IDF 特征做文本向量化。这样选不是因为别的方法不行，而是这套组合在短文本情感分类上被反复验证过，稳定靠谱，适合作为第一个跑通的基线。

2. 数据准备与清洗：拿到的原始评价不能直接喂给模型

2.1 原始数据长什么样，需要哪些字段

我用的数据是从苏宁易购商品评价接口整理出来的，示例结构大致是下面这样：

实际拿到手的数据肯定比这个乱，最常见的问题包括：评论里混着“此用户未填写评价内容”这样的空模板、HTML 标签和转义字符、表情符号、多余的空白符。这些杂质如果不清理干净，会直接影响分词的准确性，进而干扰后面的特征提取。

2.2 文本清洗的常规操作

文本清洗我通常分成几步，每一步都有它的目的，不要跳着做。

第一，去掉 html 标签和特殊符号。评价里偶尔会出现 <br/>、  这类字符，用正则统一替换掉。单纯用 str.replace() 一个个换太憨，直接用 re.sub(r'<.*?>', '', text) 把标签整体剔除，再用一个翻译表清掉常见特殊符号。

第二，统一英文字母大小写和全角半角。SKU 型号、品牌名这类英文内容在评价里经常出现，不统一大小写会把同一个词拆成两个特征。全角字母转半角也很重要，我试过不处理时，模型把“ＨＤ”和“HD”当成两个完全不同的词，白白浪费了特征维度。

第三，去除空白字符和重复标点。“！！！！”和“！”如果分别作为特征，等同把同样的情感强度拆碎了。可以先连续标点合并成一个，再去掉多余空白。

第四，处理缺失值和模板内容。评分缺失的直接删掉，评价内容为“此用户未填写评价内容”或空的也直接删。模板内容本身没有情感信息，留着只会变成干扰噪声。

python复制import re

def clean_text(text):
    if not isinstance(text, str):
        return ''
    # 去掉html标签
    text = re.sub(r'<.*?>', '', text)
    # 统一全角转半角
    text = text.replace('\u3000', ' ').replace('\uff01', '!')  # 顿号场景可按需处理
    # 合并连续标点
    text = re.sub(r'([!?。！？])\1+', r'\1', text)
    # 去除特殊符号和多余空白
    text = re.sub(r'[^\u4e00-\u9fa5a-zA-Z0-9!?。，！？、 ]', '', text)
    text = re.sub(r'\s+', ' ', text).strip()
    return text

提示：这版清洗正则写得比较保守，目的是尽量保留后续分词需要的语义单元。如果你要处理的表情符号特别多，可以额外维护一个 emoji 黑名单，或者在清洗前把 emoji 统一替换成“表情”占位符再删除。不要小看这一步，很多评价是“东西还行😊”“质量差😡”，表情正好是情感信号，一刀切删掉有点可惜，但在入门阶段先删掉不引入额外复杂度。

2.3 情感标签怎么定：评分映射不是无脑切分

很多人拿到数据后，第一反应是“评分大于3就是好评，小于等于3就是差评”。这个规则在电商数据上其实没那么准，因为很多用户给三星是在“还行”和“不满意”之间犹豫，情感倾向并不明确。如果硬把中评归到某一类，反而会污染训练集。

我这里的做法是：评分为 1 分、2 分的统一归为负样本，4 分、5 分的归为正样本，3 分评价直接弃用。这样做的好处有两个：一是正负样本的标签置信度更高，模型学到的边界更干净；二是避免样本不平衡被进一步放大。有人会担心丢掉 3 分评价会不会损失信息，我的经验是，在二分类情感分析这个目标下，丢掉的这些模糊样本对最终准确率影响很小，反而让模型更稳健。

python复制import pandas as pd

df = pd.read_csv('suning_comments.csv')
df['label'] = df['rating'].apply(lambda x: 1 if x >= 4 else (0 if x <= 2 else None))
df = df.dropna(subset=['label'])
df['label'] = df['label'].astype(int)

2.4 数据去重与样本均衡的取舍

用户可能对同一样商品重复评价，或者复制粘贴同一段评语。基于 user_id + comment 做去重很有必要，否则模型会“记住”某几个高频评论，而不是学到通用的情感表达规律。

去重之后，还要看一眼正负样本的数量比。如果原始差评数量非常少，比如 10：1，我会先用简单的欠采样，把正样本随机抽取一部分，让正负比控制在 3：1 到 4：1 左右。这个比例是我实际调参下来比较舒服的范围，既不会让模型过于偏向多数类，也不会因为丢掉太多数据导致欠拟合。

3. 中文分词与停用词：朴素贝叶斯喂进去的到底是“词”还是“字”

3.1 为什么中文必须先分词

中文文本处理比英文多一道必经工序：分词。英文的单词之间天然有空格隔开，模型拿到的是一个个 token；中文没有这个边界，“这个手机屏幕很清晰”到底该切成“这个 / 手机 / 屏幕 / 很 / 清晰”还是“这个 / 手机屏 / 幕很 / 清晰”，切法不同，语义完全不同。

如果强行按单个汉字作为特征，一方面特征维度爆炸，另一方面“不”和“好”分开就成了两个独立特征，模型很难学到“不好”这个整体表达的情感反转。所以中文情感分析里，分词质量基本决定了分类效果的上限。

Python 里最常用的中文分词库是 jieba，它基于前缀词典实现高效的词图扫描，还支持用户自定义词典。对电商评价来说，商品名、品牌名、物流术语这些词经常不在默认词典里，不处理就会被切成莫名其妙的片段。我建议准备一份自定义词典，把“苏宁易购”“物流速度”“售后”这类业务词加进去，切分效果会明显改善。

python复制import jieba

jieba.load_userdict('user_dict.txt')
# user_dict.txt 每行一个词，例如：
# 苏宁易购
# 物流速度
# 售后
# 性价比

text = '苏宁易购的物流速度很快，售后态度也很好'
words = jieba.lcut(text)
print(words)

3.2 停用词表的选用与业务词保护

分词之后会得到大量“的”“了”“很”“也”“是”这类高频但无实际情感含义的虚词，它们对分类几乎没有贡献，却会稀释真正有情感色彩的词的权重。所以一般会维护一个停用词表，在特征提取前把词过滤掉。

我这里有两点提醒：

1. 停用词表不要贪多。网上能下到的大词表动不动几万个词，直接套用在电商领域会把“不错”“还行”“一般”这类被某些词表误收的口语词也删掉，这些词在情感分析里恰恰是重要特征。我建议用基础停用词表先跑一版，观察误分类样本之后再针对性增加，不要一开始就大刀阔斧地删。

2. 保护业务词。像“不发货”“不满意”“不好用”这类组合在分词时可能被切成“不”和“发货”“满意”“好用”，停用词表里如果刚好有“不”，会直接把这个否定词删掉，情感极性直接反转。这个问题处理方式有两种：一是自定义词典里把“不发货”“不满意”这样的常用搭配整体收入；二是不过滤否定词，让模型自己去学习“不 + 某词”的权重。

python复制STOP_WORDS = set()
with open('stopwords.txt', 'r', encoding='utf-8') as f:
    for line in f:
        word = line.strip()
        if word:
            STOP_WORDS.add(word)

def tokenize(text):
    return [w for w in jieba.lcut(text) if w.strip() and w not in STOP_WORDS]

注意：如果你用的是 TF-IDF 特征，max_df 参数本身就能把在几乎所有文档里都出现、信息量很低的高频词过滤掉，这时候再叠加大规模停用词表反而容易误伤。我习惯是先不去停用词跑一版，然后用 max_df=0.8 过滤高频噪声，效果通常和手动去停用词差不多，但省了很多维护成本。

3.3 一个容易忽略的坑：分词后要重新检查特征

分词和清洗都不是一次就能做对的。我第一遍跑通流程后，通过 sklearn 的 get_feature_names_out() 查看了模型学到的 top 特征词，发现里面混着大量乱码和莫名其妙的单字。这就是清洗阶段没处理干净的杂质在作祟。

这时候要有一套自查办法：从清洗后的数据里随机抽 500 条，打印出分词结果，人眼扫一遍。整个过程耗时十分钟不到，但能帮你发现百分之八十的预处理问题。比如我这次就发现“京东快递”被切成了“京东 / 快递”，而我的数据是苏宁易购的，这就说明自定义词典没起作用，查了一下是词典文件的编码问题，改成 UTF-8 后解决。

4. 朴素贝叶斯的核心原理：为什么它对短文本分类这么好用

4.1 从贝叶斯公式到分类决策

朴素贝叶斯的核心就一个公式：

P(类别 | 文本) = P(文本 | 类别) × P(类别) / P(文本)

其中 P(类别) 是训练集中某类样本的占比，P(文本 | 类别) 是在该类中这段文本出现的概率。放到文本分类场景，“文本”其实是很多词组成的特征集合，所以上式可以拆成：

P(好评 | 词序列) ∝ P(好评) × P(词1 | 好评) × P(词2 | 好评) × ... × P(词n | 好评)

“朴素”两个字来自它的核心假设：所有词在给定类别条件下相互独立。也就是说，模型认为“质量”和“物流”同时出现在一条好评里的概率，等于“质量”出现在好评里的概率乘以“物流”出现在好评里的概率。真实文本里这个词绝不独立，比如“物流快”和“快递快”高度相关，但有趣的是，即便这个假设明显不成立，朴素贝叶斯在文本分类上依然表现得很好。

4.2 为什么“朴素假设”在文本分类里反而成了优点

学界和工业界长期以来都知道词与词之间不是条件独立的，那为什么朴素贝叶斯依然能打？原因有几个：

第一，分类任务往往只需要一个“足够好”的概率排序，而不是精确的概率估计。即便每个词的概率估计有点偏差，但相对大小关系通常还能保持，最终决策边界不会太差。

第二，参数少、偏差大但方差小。在数据量有限的情况下，复杂的语言模型比如 n-gram 模型估计的参数数量指数级增长，很容易过拟合；朴素贝叶斯只估计每个词在每个类别下的条件概率，参数总量和词表大小线性相关，反而更稳定。

第三，对独立假设的违反，在很多短文本里没有那么严重。商品评价这种短文本平均长度只有几十个字，词语之间的复杂依赖比长文档少，所以朴素贝叶斯在电商情感分析这种任务上“朴素”的负面影响很小。

4.3 三种朴素贝叶斯变体，文本分类该选哪个

sklearn 里常用的朴素贝叶斯有三种：高斯朴素贝叶斯（GaussianNB）、伯努利朴素贝叶斯（BernoulliNB）、多项式朴素贝叶斯（MultinomialNB）。它们的区别主要在假设特征服从的分布上：

我实际跑过 BernoulliNB 和 MultinomialNB 的对比，在相同 TfidfVectorizer 特征下，MultinomialNB 的 F1 值高出 1~2 个百分点。原因不难理解：词频本身包含情感强度信息，“非常差”和“差”对应的频次信息，伯努利模型完全无法区分。

4.4 拉普拉斯平滑存在的意义

训练朴素贝叶斯时，有一个数学上必须处理的问题：如果某个词在训练集的差评里从未出现过，但在好评里出现了，那它对于差评的条件概率直接等于 0，使得整条差评的概率被相乘成 0。为了避免这种情况，通常给每个词的计数都加一个平滑项，这就是拉普拉斯平滑。

sklearn 的 MultinomialNB 里对应参数是 alpha。默认 alpha=1.0 是纯拉普拉斯平滑，我实际测试时发现 alpha=0.5 在当前数据集上略优，因为数据量不够大时，过度平滑会压抑真实特征信号。但不建议为了调参而调参，如果两条线的 F1 差距不到 0.005，优先用默认值，保证可解释性和可复现性。

5. 特征工程与模型训练：文本怎么变成数字并跑出情感分类器

5.1 词袋模型 vs TF-IDF：这一步决定了特征质量

分词之后，文本还是一个词列表，要把词列表变成模型能吃的向量，有两种常用办法：词袋模型（CountVectorizer）和 TF-IDF（TfidfVectorizer）。

词袋模型的方法很直白：统计每个词在文档中出现的次数，然后拼成一个稀疏向量。TF-IDF 则更进一步：词的权重不只是本篇文章里的词频，还要乘上一个逆文档频率，用来压低那些在大量评论里都出现的常见词的权重，提升有区分度的词的权重。

python复制from sklearn.feature_extraction.text import TfidfVectorizer

tfidf = TfidfVectorizer(
    tokenizer=tokenize,
    max_features=20000,
    ngram_range=(1, 2),
    max_df=0.8,
    min_df=2
)
X = tfidf.fit_transform(df['clean_comment'])

我在项目里用的是 TfidfVectorizer，这里几个参数逐个说明：

• max_features=20000：限制特征总量，避免出现百万维稀疏矩阵拖慢训练，也能砍掉低频噪声词。
• ngram_range=(1, 2)：除了单个词，还会生成相邻两个词的组合特征，比如“物流 / 很快”会变成“物流很快”这个整体特征。这对“不推荐”“质量差”这类两个词组合才有完整意义的表达特别有效。
• max_df=0.8：出现在超过 80% 评论里的词直接丢弃，这类词通常没有信息量。
• min_df=2：至少在 2 条评论中出现过的词才保留，过滤因单次拼写错误产生的孤立词。

我对比过只用 ngram_range=(1, 1) 和 (1, 2) 的效果，后者的准确率提升了约 2.5%。代价是特征维度变大，但在 20000 维控制下完全可接受。

5.2 训练集和测试集怎么切：时间顺序还是随机切分

机器学习的常规做法是随机切分训练测试集，比如 train_test_split(X, y, test_size=0.2, random_state=42)。但如果你要做的是带时间先后顺序的数据分析，我建议额外用时间切分的方式评估一次：按 create_time 排序，用前 80% 的评价训练，后 20% 的评价测试。

这样做能反映一个真实问题：用户的评价语言会随季节和商品迭代漂移。比如冬天差评里“太冷”多，夏天变成“太热”，模型如果把季节性特征学到了，换季之后线上效果就会掉。时间切分评估能在你上线之前提前暴露这个问题。

python复制from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

stratify=y 这个参数在标签不平衡时很重要，它保证训练集和测试集的正负样本比例和全集一致，避免因为随机切分导致测试集里差评占比异常，从而评估失真。

5.3 模型训练与完整代码

准备好特征和标签后，训练朴素贝叶斯模型本身非常快，基本就是两行代码的事。完整流程我放到一起：

python复制from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import classification_report, confusion_matrix

model = MultinomialNB(alpha=0.5)
model.fit(X_train, y_train)

y_pred = model.predict(X_test)

print(classification_report(y_test, y_pred, target_names=['差评', '好评']))
print(confusion_matrix(y_test, y_pred))

这个模型的训练时间在一万条样本上不到 1 秒，这也是朴素贝叶斯特别适合快速迭代的原因。你可以在特征工程上反复试参数，每次重新训练成本几乎为零。

6. 模型评估与误判分析：准确率不是神话的，要看到分类器犯了哪些错

6.1 看分类报告，别只盯准确率

二分类任务里，如果正负样本比例是 4：1，模型就算把所有评论都预测成好评，准确率也有 80%。所以只看准确率很容易被欺骗。我习惯直接打印分类报告，重点看差评这个类别的精确率、召回率和 F1 值。

我在这个数据集上跑出来的结果大概长这样（具体数值随数据清洗和特征参数浮动）：

能看出来，差评的召回率明显低于好评。也就是有不少真实的差评被模型当成了好评，这会影响实际业务侧判断“差评率变化趋势”，比错杀几个好评严重得多。

6.2 误分类样本的三种典型模式

我抽了 200 条预测错误的样本，逐条看下来，误判基本集中在三种模式：

模式一：否定结构过长，模型没绕过来。 比如“没有想象中那么好，跟宣传差距非常大”，前半句有“没有”“那么好”，后半句有“差距非常大”，整体是明显差评，但模型可能只关注到了“那么好”这个词，直接判成了好评。这种问题加 bigram 特征能得到一定缓解，但没法完全消除。

模式二：隐含评价，没有明确情感词。 “用了一周，手机屏幕已经出现条纹了”，整句话没有“差”“烂”“失望”这类词，但事件本身是负面的。朴素贝叶斯本质是词袋模型，对这种需要推理的事件型表达很难识别。

模式三：文本本身自相矛盾或反讽。 “真好，收货后第三天就降价了，真棒”“质量好得不能再好，才用了两小时就关机了”。这种讽刺性评价，人类读起来都得犹豫一下，机器确实很难从字面判断。

6.3 业务上对误判的容忍度怎么把握

不要试图让模型在这三类问题上全都变得完美，这不现实。我更推荐的做法是：把模型当成粗筛工具，把概率输出值当成置信度。当模型预测差评的概率在 0.4~0.6 之间时，把它单独拿出来人工复核；只有概率大于 0.8 时才自动归为差评。原本一万条评论需要人工全读，现在只需要看中间地带的两三百条。

sklearn 里 predict_proba() 直接就能拿到概率值，加上这个阈值逻辑很简单：

python复制prob = model.predict_proba(X_test)[:, 0]  # 差评概率
# 定义一个简单的人工复核区间
review_mask = (prob > 0.4) & (prob < 0.6)

7. 结果可视化与业务解读：从“模型说这是差评”到“客户为什么不满”

7.1 特征词权重排序：直接看出模型靠什么做判断

朴素贝叶斯模型的系数（或特征对数概率）是可解释的，这是它比大多数黑箱模型强的地方。训练完成后，我把每个特征词对“差评”和“好评”的贡献做了排序，输出权重最高的一批词。

python复制import numpy as np

feature_names = tfidf.get_feature_names_out()
# MultinomialNB 的特征对数概率
pos_prob = model.feature_log_prob_[1]  # 好评类
neg_prob = model.feature_log_prob_[0]  # 差评类
diff = pos_prob - neg_prob

top_pos_words = [feature_names[i] for i in np.argsort(diff)[-20:]]
top_neg_words = [feature_names[i] for i in np.argsort(diff)[:20]]

跑出来的结果很有意思，差评侧的高权重词几乎都集中在“物流”“售后”“质量”“客服”“退货”这几个业务词上，好评侧则是“很好”“很快”“满意”“值得”“正品”。这直接验证了前面业务视角的判断：这个品类的差评主要是物流和售后拖后腿，而不是商品本身。

7.2 按时间和类目聚合成趋势图

模型跑完其实只是第一步，真正的业务价值在于聚合。我把 create_time 切成周，再按周统计好评率，画一条趋势曲线。如果某周好评率突然掉了 5 个百分点，我会把那个时间段内的差评特征词重新拉出来，看是不是某个仓库调整了发货线路，或者某个型号集中出问题。

类目维度也一样，把类别作为分组键，分别计算每个子类目的平均情感分数，就能定位到具体的 SKU 线。这类聚合分析我都是在 pandas 里直接做的：

python复制df['pred_proba'] = model.predict_proba(tfidf.transform(df['clean_comment']))[:, 0]
weekly = df.groupby(pd.to_datetime(df['create_time']).dt.to_period('W'))['pred_proba'].mean()

7.3 用预测结果做异常告警

如果你在公司里做的是偏工程化的东西，可以更进一步：每天定时跑一遍新增评价，用这批数据更新当天的“差评概率均值”，跟历史均值对比，超过三倍标准差就触发告警。朴素贝叶斯模型训练和预测都够轻，完全可以作为定时任务跑在普通服务器上，不依赖 GPU，运维成本很低。

我在项目里就是把它封装成了一个小服务，每天从数据库拉新增评价，清洗、分词、预测，把结果表写回去，再推送一份日报到群里。整个过程没用什么重型框架，一个 Python 脚本加 cron 就搞定了。

8. 参数调优与常见坑清单：我再替你踩一遍

8.1 alpha 值调优到底值不值得做

MultinomialNB 的参数非常少，alpha 是最主要的可调项。我用网格搜索简单跑了几个值：

python复制from sklearn.model_selection import GridSearchCV

params = {'alpha': [0.1, 0.3, 0.5, 0.7, 1.0, 2.0]}
grid = GridSearchCV(MultinomialNB(), params, cv=5, scoring='f1_macro')
grid.fit(X_train, y_train)
print(grid.best_params_, grid.best_score_)

结果 alpha=0.5 略好于 alpha=1.0，但差距在千分之几。这种东西不用太执着，alpha 选默认值也不会翻车，真正影响大的是特征工程和样本质量。

8.2 数据泄露：清洗和特征提取必须严格限制在训练集上

这是我特别想强调的一个坑。TfidfVectorizer 的 fit_transform 只能用在训练集上，测试集要用训练集拟好的 transform 来转换。如果你对全量数据先做了 fit_transform，再切分训练测试集，测试集的信息已经混进了词表统计和 IDF 值里，评估结果会虚高，模型上线后效果立刻打回原形。

正确的顺序是：

python复制X_train_tfidf = tfidf.fit_transform(X_train_raw)  # 训练集 fit+transform
X_test_tfidf = tfidf.transform(X_test_raw)        # 测试集只用 transform

8.3 样本量不足时的增强策略

如果你手里的数据只有两三千条，朴素贝叶斯也能跑，但效果会比较飘。这时候可以试试几个轻量策略：

• 用 TF-IDF 加词形还原（中文没有严格词形还原，但可以统一同义词），减少特征稀疏性。
• 把 ngram_range 从 (1, 1) 提到 (1, 2)，相当于手动加入词组特征，弥补单词语义不足。
• 如果数据实在少，可以考虑同类商品评论合并，扩大语料覆盖范围。

8.4 这是一份可以直接套用的“坑清单”

9. 从基线模型到可落地的部署形态：这套代码还能怎么延伸

9.1 把模型保存下来，封装成投票接口

训练好的模型和向量器可以一起用 joblib 存下来，后续预测不需要重新训练。这个做法在工程上非常实用，每次重新训练完覆盖模型文件，服务直接热加载新模型。

python复制import joblib

joblib.dump(model, 'nb_model.pkl')
joblib.dump(tfidf, 'tfidf_vectorizer.pkl')

实际接入的时候，接口的输入输出可以设计得非常简单：前端传一句评价文本，接口返回 {'sentiment': 'positive', 'probability': 0.94}。这种接口无论是接到订单系统的售后工单，还是接到客服工作台做实时提示，都很顺手。

9.2 朴素贝叶斯与其他模型怎么配合

跑完基线之后，如果你想继续提升分类效果，一个很自然的路线是：保留朴素贝叶斯作为高可解释性的基线模型，同时用同一套特征试一下逻辑回归、支持向量机。逻辑回归在情感分类上的表现通常会略优于朴素贝叶斯，尤其当特征和标签关系比较线性时。

但要注意，模型提升带来的收益往往没有数据质量提升大。拿这次项目来说，我后来花了更多时间在建立业务词表、优化否定结构特征上，效果提升比换模型更明显。

9.3 更多应用场景参考

这套“评价情感分析 + 朴素贝叶斯 + TF-IDF”的代码骨架，不只能用在苏宁易购，也不只适用于电商。外卖平台的菜品评价、旅游平台的酒店点评、应用商店的用户评论、在线教育平台的课程反馈，数据结构几乎一样，换一下语料和自定义词典就能跑。我自己后续还把它迁移到过短视频平台的评论区，做舆情监测，效果同样稳定。

整个项目做下来，我最大的体会是：情感分析在真实业务中并不是一个玄乎的 AI 概念，它就是一条从数据到决策的流水线。朴素贝叶斯的逻辑足够简单，任何一个有一点编程基础的人都能在一周内把它复现出来，而这份代码之后的取舍和调优，才真正体现分析者的功力。