16 个情感词、5 个否定词、5 个程度词，12 句测试。 裸词典只对 8 / 12（0.667），加上否定翻转和程度放大后 12 / 12。 翻错的那四句，全靠「不」「没」和「有点」「非常」救回来。
上一节把语料洗干净了。这一节用最朴素的办法做第一个真实任务：判断一句话是夸还是骂。
一、最朴素的做法：数情感词
给每个情感词一个分值，正面为正、负面为负，句子里出现哪个就加哪个。最后看总分符号。 这个方法的全部参数就是 16 个分值。 它不训练、不占显存、结果可解释——用户问「为什么判成负面」，你能直接指出来是哪两个字扣的分。 Demo 里裸词典只对 8 / 12。翻错的四句是：这款软件不难用、界面不卡、不怎么推荐、效果没那么好。 四句全栽在同一件事上：否定。
二、否定翻转：往前看三个字
规则很简单：情感词前面三个字里出现「不、没、无、别、未」，就把这个词的分值取反。 「不难用」：难用是 -0.9，前面有「不」，翻成 +0.9，判正。对。 「不怎么推荐」：推荐是 +0.9，往前三字是「不怎么」，命中「不」，翻成 -0.9，判负。对。 「效果没那么好」：好是 +1.0，往前三字是「没那么」，命中「没」，翻成 -1.0，判负。对。 窗口取三个字是我拍的。 取太短会漏（「没有想象中那么好」够不着），取太长会误伤（「不但好而且便宜」里的「不」不该翻）。
三、程度副词：放大还是缩小
「非常满意」比「满意」重，「有点失望」比「失望」轻。 这个差别用乘数表达：非常 1.8 倍、很 1.5 倍、太 1.6 倍、有点 0.6 倍、稍微 0.5 倍。 Demo 里「有点失望」从 -0.90 变成 -0.54，「非常糟糕」从 -1.20 变成 -2.16。 注意程度调整不影响符号，只影响幅度。 所以对「判正负」这个任务，它其实是多余的——真正起作用的是否定翻转。 那为什么还要加？因为实际系统经常要输出强度，不只输出正负。排序、预警、打分都要用到幅度。
四、这套方法的三个硬伤
- 反讽完全无效。「这个价格真是便宜得让人心疼」会被判成正面。
- 转折句只看后半段才准。 「东西不错，但是太贵了」里两个词都算了分，总分可能落到中性附近，而人的判断是负面。
- 领域词不认识。「这手机发热控制得很克制」——「克制」不在表里，整句得 0 分。 这三条决定了词典法只能做第一版。 它的价值在于快、能解释、能立刻上线，然后拿它的输出当标注起点，去训练一个模型。 这个顺序很重要：先用规则跑起来收集数据，再用数据训练模型，而不是等标注完再动手。
五、动手 Demo：情感打分：裸词典与加否定、加程度两版对照
建 16 个情感词的分值表、5 个否定词、5 个程度词； 对 12 句人工标好正负的句子跑两遍——一遍只数情感词，一遍加否定翻转和程度放大； 逐句打出两种分数与判断，最后算两个版本的准确率。
for w, v in DICT.items():
p = s.find(w)
while p >= 0:
x = v
if any(n in s[max(0, p - 3):p] for n in NEG):
x = -x # 否定翻转
sc += x
p = s.find(w, p + 1)
实跑输出：
--------------------------------------------------------------------
情感分析：裸词典、加否定与程度词
--------------------------------------------------------------------
情感词 16 个（正 8 / 负 8）
否定词 5 个
程度词 5 个
句子 裸分 裸判 改进分 改进判 人工
-----------------------------------------------------
这个课程很好 +1.00 正 +1.50 正 正
这家店服务很差 -1.00 负 -1.50 负 负
我很喜欢这本书 +1.00 正 +1.50 正 正
这款软件不难用 -0.90 负 +0.90 正 正
界面不卡 -0.60 负 +0.60 正 正
非常满意 +0.80 正 +1.44 正 正
有点失望 -0.90 负 -0.54 负 负
非常糟糕 -1.20 负 -2.16 负 负
速度挺快 +0.50 正 +0.50 正 正
画质模糊 -0.70 负 -0.70 负 负
不怎么推荐 +0.90 正 -0.90 负 负
效果没那么好 +1.00 正 -1.00 负 负
裸词典 8 / 12 = 0.667
加否定与程度 12 / 12 = 1.000
分数只看符号：正数判正面，负数判负面。分数本身不是概率，别当置信度用。
两张分数列一对比，能看出否定翻转改的正是符号：不难用从 -0.90 翻到 +0.90， 不怎么推荐从 +0.90 翻到 -0.90。 「速度挺快」两版都是 +0.50——「挺」不在程度词表里，所以没被放大。 漏一个程度词不影响符号，只影响幅度。 「有点失望」-0.54 仍然是负的，判断没错。程度词在这里没起决定作用，起作用的是「失望」本身。 这 12 句是我挑的，专挑否定和程度能翻盘的句子。 所以 8/12 变 12/12 的提升幅度不能外推到真实语料——真实语料里反讽、转折、领域词才是大头。
30 秒实验
- 把否定窗口从 3 改成 1 和 5，看哪几句判断变了。
- 加一句「东西不错，但是太贵了」，看总分落在哪、判成什么。
- 想一想：为什么反讽用词典法一定失败？
常见误区
- 「数情感词就够了」——否定、程度、转折一个都没处理。
- 「程度词能提高准确率」——它只改幅度，不改符号。
- 「词典法过时了」——它是拿标注数据之前最好用的过渡方案。
自测三问（点开对答案）
1. 否定翻转的窗口为什么要取三个字？ —— 太短够不着（没那么好），太长会误伤（不但好而且便宜）。 2. 程度副词对「判正负」这个任务有用吗？ —— 基本没用，它只改幅度不改符号；但对输出强度有用。 3. 词典法的三个硬伤是什么？ —— 反讽无效、转折句算不准、领域词不认识。会判情感了，下一节往前走一步：让机器接住用户的问题。
- ☐ （本节完，下一节 6.2.2 聊天机器人：模拟人类对话的智能助手）