四种细粒度情绪分析方法：一、微调qwen模型进行多类情绪识别；二、零样本prompt engineering；三、词典增强校验；四、情感四元组联合抽取。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
一、使用预训练大模型微调进行细粒度情绪分类
该方法利用千问（Qwen）系列大语言模型的强语义理解能力，通过在特定领域标注数据上进行监督微调，使模型能区分“喜悦”“愤怒”“悲伤”“惊讶”“厌恶”“恐惧”等离散情绪类别。微调过程需重构输出空间，将原始情感极性分类任务升级为多类情绪识别任务。
1、准备标注数据集，每条样本包含原始文本与对应的情绪标签（如“失望”“欣慰”“焦灼”），标签体系需覆盖至少6种基础情绪及可扩展的复合情绪子类。
2、对原始文本添加任务提示模板，例如：“请判断以下评论表达的主要情绪类别，仅输出一个词：喜悦、愤怒、悲伤、惊讶、厌恶、恐惧、其他。”
3、使用LoRA或全参数微调方式，在Qwen-1.5B或Qwen-7B模型基础上训练，损失函数采用交叉熵，标签平滑系数设为0.1以缓解标注噪声。
4、推理时启用temperature=0.3与top_p=0.85，限制生成长度为单个情绪词，避免自由续写。
二、基于Prompt Engineering的零样本情绪识别
该方法不依赖标注数据与模型更新，完全依靠设计结构化提示词激活千问内置的情绪感知能力，适用于快速验证或冷启动场景。其有效性依赖于Qwen对情绪描述语义的深度对齐能力。
1、构造角色指令，例如：“你是一名专业情感分析师，请严格依据文本字面含义，从{喜悦, 愤怒, 悲伤, 惊讶, 厌恶, 恐惧}中选择唯一匹配的情绪类别。”
2、在输入前插入3条高质量示例，格式统一为“文本：…… → 情绪：……”，涵盖情绪歧义边界案例（如“这价格真敢标”→厌恶；“这价格真敢标！”→惊讶）。
3、对用户输入文本做轻量清洗，移除非语义符号（如连续感叹号、星号遮蔽词），保留语气副词与标点所承载的情绪线索。
4、调用Qwen-72B-Instruct API，设置max_new_tokens=8，response_format强制为JSON，字段名为“emotion”。
三、结合外部情绪词典增强推理一致性
该方法将千问的生成结果与权威情绪词典（如NRC Emotion Lexicon、Chinese Affective Word Bank）进行后验校验与加权融合，提升细粒度类别在低置信度样本上的稳定性，尤其适用于含隐喻或反语的文本。
1、提取输入文本中所有实词，查询词典获取各词对应的情绪得分向量（维度为8维：joy, sadness, anger, fear, disgust, surprise, trust, anticipation）。
2、将Qwen输出的情绪类别映射至同一8维空间，计算余弦相似度，若相似度低于0.62则触发重判流程。
3、重判时向Qwen追加约束指令：“请重新判断，参考以下词汇情绪倾向：[列出得分前三的情绪词及其强度]。”
4、最终输出取词典加权均值向量中最大分量对应的情绪类别，若最大分量与次大分量差值小于0.15，则标记为“混合情绪”。
四、面向方面的情感四元组联合抽取
该方法突破单句单情绪假设，利用Qwen的结构化生成能力同步识别“方面项（aspect）—观点词（opinion）—情绪类别（emotion）—强度（intensity）”四元组，实现真正意义上的细粒度解析。
1、定义输出Schema为JSON List，每个元素含字段：aspect（字符串）、opinion（字符串）、emotion（字符串）、intensity（浮点数，范围0.0–1.0）。
2、在Prompt中明确指令：“请逐项抽取所有显式或隐式提及的产品/服务方面，对每个方面给出最贴切的观点表达，并指定其对应的基础情绪类别与主观强度。”
3、输入文本末尾追加分隔符“【END】”，防止模型生成无关解释；启用stop_words=["【END】", "注：", "说明："]。
4、对模型输出做正则清洗，提取符合{"aspect": "...", "opinion": "...", "emotion": "...", "intensity": ...}格式的JSON对象，丢弃格式错误片段。
