情感分析
自然语言处理中的经典任务，通过识别文本中的关键词和语境，判断文本表达的情感倾向（正面、负面或中性），广泛应用于用户反馈分析、舆情监控等场景
时间轴 (近 90 天)
数据量上，每个类别建议至少数百条高质量标注，且要覆盖反讽、混合情感等边界案例。
情感分析数据集通常存在类别不平衡，正面评论远多于负面，只看整体准确率会导致全部预测为正面的模型也能拿到很高分数。
意图分类与情感分析、命名实体识别并列为LLM最常见的下游应用之一。
“分类结果即路由条件”模式降低了流程复杂度，但也意味着分类错误会直接传递到后续动作。
情感分析的常见方法包括基于词典的规则匹配和基于预训练模型的分类器，前者轻量但精度有限，后者需要标注数据但准确度更高。
对话自然度、知识准确性、帮助真诚度等软性能力在评测榜单中难以体现，但在日常使用中体验感最强
情感分析的学术源头可追溯至Pang等人2002年在ACL会议上发表的论文，该研究首次系统地将机器学习方法应用于电影评论的极性分类
全部知识事实 (8)
AI检测自杀/自伤意图主要依赖自然语言处理（NLP）中的情感分析与意图识别模型，通过大规模标注数据训练识别特定词汇组合、语义模式和情绪倾向
85%待验证数据量上，每个类别建议至少数百条高质量标注，且要覆盖反讽、混合情感等边界案例。
50%待验证情感分析数据集通常存在类别不平衡，正面评论远多于负面，只看整体准确率会导致全部预测为正面的模型也能拿到很高分数。
50%待验证意图分类与情感分析、命名实体识别并列为LLM最常见的下游应用之一。
50%待验证“分类结果即路由条件”模式降低了流程复杂度，但也意味着分类错误会直接传递到后续动作。
50%待验证情感分析的常见方法包括基于词典的规则匹配和基于预训练模型的分类器，前者轻量但精度有限，后者需要标注数据但准确度更高。
50%待验证对话自然度、知识准确性、帮助真诚度等软性能力在评测榜单中难以体现，但在日常使用中体验感最强
50%待验证情感分析的学术源头可追溯至Pang等人2002年在ACL会议上发表的论文，该研究首次系统地将机器学习方法应用于电影评论的极性分类
50%