前言

在 App 評論、商品心得、或客服工單裡，「情緒」往往比字面資訊更能預測留存、轉換與滿意度。本篇用最實務的方式，一次帶你完成兩條常見路線：

• 情緒詞典（Lexicon-based）：免訓練、可解釋、延遲極低。
• 情感分類器（Model-based）：以 BERT 家族模型理解語境、效果更穩。

最後我們還會給一個混合決策策略，讓詞典當快速外圍，模型主攻邊界與難例；並示範如何輸出可用於 HCI 的信心分數與關鍵詞貢獻。

兩種典型作法的差異

詞典快且可解釋；模型準且可學習。實務常用「混合」：詞典先做低成本判斷/過濾，邊界樣本交給模型。

安裝套件

於終端機輸入：

pip install -U "transformers==4.41.*" "torch>=2.2" "datasets>=2.20" \
  "vaderSentiment>=3.3" "scikit-learn>=1.4" "jieba>=0.42"
# 若在 Jupyter 看不到 tqdm 進度列，可安裝：
# pip install ipywidgets && jupyter nbextension enable --py widgetsnbextension

重要：本文所有程式碼都只走 PyTorch。若你同時裝了 TensorFlow/Keras 3，務必在 import transformers 之前加上：

import os
os.environ["TRANSFORMERS_NO_TF"] = "1"

詞典路線：VADER（英文）

VADER 會輸出 compound ∈ [-1,1]，絕對值越大代表情感越強。

from vaderSentiment.vaderSentiment import SentimentIntensityAnalyzer

texts_en = [
    "I love the new design!",
    "It keeps crashing, terrible UX.",
    "Kinda okay, a bit cluttered."
]
analyzer = SentimentIntensityAnalyzer()
print("=== Lexicon (VADER) ===")
for t in texts_en:
    s = analyzer.polarity_scores(t)  # compound ∈ [-1, 1]
    print(f"{t} -> compound={s['compound']:.3f}")

輸出結果：

模型路線：DistilBERT（英文）& RoBERTa（中文）

用 Hugging Face 上現成的已微調情緒模型，直接拿來推論。

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

# 自動選裝置（MPS > CUDA > CPU）
if torch.backends.mps.is_available():
    device = torch.device("mps")
elif torch.cuda.is_available():
    device = torch.device("cuda")
else:
    device = torch.device("cpu")
print("Device:", device)

英文 DistilBERT (SST-2)：

en_model = "distilbert-base-uncased-finetuned-sst-2-english"
tok_en = AutoTokenizer.from_pretrained(en_model)
mdl_en = AutoModelForSequenceClassification.from_pretrained(en_model).to(device)

def predict_en(texts, max_len=128):
    enc = tok_en(texts, truncation=True, max_length=max_len, padding=True, return_tensors="pt")
    enc = {k: v.to(device) for k, v in enc.items()}
    with torch.no_grad():
        probs = torch.softmax(mdl_en(**enc).logits, dim=-1).cpu().numpy()
    return probs  # [:,1] = P(positive), [:,0] = P(negative)

print("\n=== Model (DistilBERT) ===")
for t, p in zip(texts_en, predict_en(texts_en)):
    print(f"{t} -> pos={p[1]:.3f}  neg={p[0]:.3f}")

中文 RoBERTa (JD 二分類)：

zh_model = "uer/roberta-base-finetuned-jd-binary-chinese"
tok_zh = AutoTokenizer.from_pretrained(zh_model)
mdl_zh = AutoModelForSequenceClassification.from_pretrained(zh_model).to(device)
print("id2label (ZH):", mdl_zh.config.id2label)  # 確認 0/1 對應情緒

def predict_zh(texts, max_len=128):
    enc = tok_zh(texts, truncation=True, max_length=max_len, padding=True, return_tensors="pt")
    enc = {k: v.to(device) for k, v in enc.items()}
    with torch.no_grad():
        probs = torch.softmax(mdl_zh(**enc).logits, dim=-1).cpu().numpy()
    return probs

texts_zh = ["介面很漂亮", "常常閃退", "不太好用，但也不是最糟"]
print("\n=== Model (Chinese RoBERTa) ===")
for t, p in zip(texts_zh, predict_zh(texts_zh)):
    print(f"{t} -> probs={p}")

輸出結果：

混合決策：詞典 + 模型

規則：

• 詞典絕對值高（|compound| ≥ 0.70）→ 直接採用（快又可解釋）
• 模型信心高（P(pos) ≥ 0.70 或 ≤ 0.30）→ 直接採用
• 其餘 → 標記 uncertain，可提示使用者補充或丟人工複核

def hybrid_decision(lex_compound, model_pos, hi=0.70, lo=0.30):
    if abs(lex_compound) >= hi:
        return ("positive" if lex_compound > 0 else "negative", 0.90, "lexicon-strong")
    if model_pos >= (1-lo) or model_pos <= lo:
        conf = max(model_pos, 1 - model_pos)
        return ("positive" if model_pos >= 0.5 else "negative", float(conf), "model-strong")
    return ("uncertain", 0.55, "need-more-evidence")

print("\n=== Hybrid (VADER + DistilBERT) ===")
probs_en = predict_en(texts_en)
for t, p in zip(texts_en, probs_en):
    lex = analyzer.polarity_scores(t)["compound"]
    label, conf, source = hybrid_decision(lex, p[1])
    print(f"{t} -> {label} (conf={conf:.2f}, source={source}, lex={lex:.3f}, pos={p[1]:.3f})")

輸出結果：

中文「可解釋」詞典：關鍵詞貢獻

示範用 jieba + 小型自定詞庫，回傳關鍵詞及貢獻分數，便於 HCI 顯示。

import jieba

POS = {"順暢":1.2, "好用":1.5, "穩定":1.0, "流暢":1.2, "漂亮":1.2, "不卡":1.2}
NEG = {"卡頓":-1.5, "閃退":-2.0, "慢":-1.0, "糟":-1.2, "醜":-1.2, "當機":-1.8}
NEGATORS = {"不","沒","無","別","不是","不太","沒有"}
BOOSTERS = {"非常":1.5,"超級":1.6,"有點":0.7,"有些":0.8,"有點兒":0.7}

def lexicon_score_zh(text, return_contrib=False):
    toks = list(jieba.cut(text))
    score, contribs = 0.0, []
    for i, w in enumerate(toks):
        base = POS.get(w,0) + NEG.get(w,0)
        if base == 0:
            continue
        if i > 0 and toks[i-1] in BOOSTERS:
            base *= BOOSTERS[toks[i-1]]
        window = toks[max(0,i-3):i]
        if any(n in window for n in NEGATORS):
            base *= -0.8
        score += base
        contribs.append((w, round(base,2)))
    score = max(-1.0, min(1.0, score/5.0))  # 縮放到 [-1,1]
    return (score, contribs) if return_contrib else score

print("\n=== 中文詞典（可解釋） ===")
for s in ["這次更新很順暢", "不太好用，常常卡頓", "UI有點亂但還能接受"]:
    sc, ks = lexicon_score_zh(s, return_contrib=True)
    print(s, "=>", sc, "| keywords:", ks)

輸出結果：

結語

• 詞典法：零訓練、可解釋、延遲極低，很適合原型與規則引擎；
• BERT 類模型：對語境、否定、婉轉更敏感，效果更穩，適合上線主力；
• 混合決策：讓詞典負責「強訊號」與可解釋，模型專注難例；輸出「情緒條 + 置信度 + 關鍵詞貢獻」，把 AI 判讀直接轉化為可行動的 HCI 回饋（例如：負面高置信 → 快速客服；低置信 → 引導補充資訊）。