☞☞☞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☜☜☜
需用nova lite自动识别混语种评论中的真实痛点：先导出含翻译的90天csv，清洗后utf-8保存；再通过aws调用api或python批量分析，提取情感、实体与触发词；最后按周聚合趋势，标记增幅超40%及地域强相关问题，并标出超标点。
你需要从成千上万条英文、西班牙语、日语混杂的客户评价里，快速识别出“漏电”“充电慢”“包装破损”这类真实痛点，而不是靠人工翻页或关键词搜索碰运气。
准备原始评论数据
登录Amazon Seller Central → 进入【Reports】→ 选择【Customer Reviews】→ 导出近90天全部评论CSV文件。注意必须勾选“Include translated reviews”，否则Nova无法处理非英语原始文本。
将CSV文件用Excel打开，删除空行和系统自动生成的模板行，仅保留“Review Text”“Rating”“Country Code”“Date”四列。保存为UTF-8编码的CSV，【文件名不能含中文或空格】，例如reviews_2026_Q2.csv。
用Nova Lite批量解析情感与主题
方法一：通过AWS Console调用Nova Lite API
进入AWS Bedrock控制台 → 选择Region为us-east-1（Nova Lite仅在此区域可用）→ 点击【Invoke Model】→ 模型选nova-lite-2026 → 在Request Body中粘贴以下JSON：
{ "input": { "text": "【此处粘贴单条评论原文】", "language": "auto" }, "parameters": { "max_tokens": 128, "temperature": 0.1 } }
方法二：用Python脚本批量提交（推荐）
安装boto3库后，运行脚本：读取CSV → 每次取50条评论拼成batch → 调用Nova Lite的/batch-analyze端点 → 输出JSONL格式结果。这一步必须设置timeout=90秒，【超时会导致整批中断且不重试】。
脚本会自动标注每条评论的情感倾向（POS/NEU/NEG）、提取核心实体（如“USB-C port”“battery indicator”）和触发词（如“stopped working after 3 days”）。输出字段包含review_id、sentiment_score、extracted_issue、confidence_level。
聚合趋势并定位高危问题
第一步：用Pandas加载Nova输出的JSONL文件 → 按week_start（评论日期向下取整到周一）分组 → 统计每类issue的周频次。
第二步：筛选连续两周增幅＞40%的issue，例如“charging cable frays”从第18周12次跳至第19周21次 → 立即标记为【需72小时内响应】。
第三步：交叉分析country_code字段 → 若“leakage during travel”在JP站占比达63%，但在US站仅占4%，说明该问题与日本用户携带习惯强相关，不能简单归因为品控缺陷。
第四步：导出趋势图 → X轴为周序号，Y轴为issue频次，用红色虚线标出平台平均投诉率阈值（0.8%）。任何高于该线的点自动加粗并标注ASIN前缀。
