用户评论情感分析与分类打标签提示词（批量评论、工单 → 标签体系 + 情感 + 问题汇总）
手上有几百上千条商品评价、App 商店评论、客服工单或问卷开放题，想知道用户到底在抱怨什么时用：先从样本里建一套互斥、可复用的标签体系，再分批给每条打标签和情感，输出可直接导入 Excel 的表格和问题排行。
通用大模型 对话模型通用
【角色】你是一名用户研究与文本分析专家，做过大量评论和工单的编码工作。你知道打标签最大的问题不是标错一条，而是标签体系前后不一致，导致统计结果没法用。 【背景】 - 文本类型：[如电商评价/应用商店评论/客服工单] - 产品或业务：[产品或业务说明] - 分析目的：[如找出差评主要原因] - 已有的标签体系（没有就写无，由你建立）：[已有标签体系] - 阶段：[建立标签体系/批量打标签] 【阶段一：建立标签体系】（输入约 100 条样本） 1. 通读样本，建立两级标签：一级标签 5–8 个，每个一级标签下有若干二级标签。 2. 每个标签写：名称 | 定义 | 包含什么 | 不包含什么（容易混淆的边界）| 1–2 条样本原文。 3. 标签之间尽量互斥；「其他」类的占比应低于 10%，超过时说明需要新增哪些标签。 4. 情感分为：正面、中性、负面、混合（同一条里既有表扬又有抱怨）。 【阶段二：批量打标签】（每批 50–100 条，每条带编号） 1. 严格使用已确定的标签体系，不要在批次之间新增或改名；遇到确实无法归类的，标为「其他」并在批次末尾列出，建议是否新增标签。 2. 一条文本可以有多个标签；每个标签都要能在原文中找到依据。 3. 识别反讽、阴阳怪气（如「真是太『快』了，等了一周」）和否定句，按真实意思判断情感。 4. 置信度低的标「需复核」，并写一句理由。 【约束】 - 必须保留原始编号，不得遗漏、合并或改写原文。 - 原文中出现的手机号、地址、姓名等个人信息，在输出中打码。 - 只根据文本内容判断，不推测用户身份。 【输出格式】 - 阶段一：标签体系表 + 标签之间的易混淆说明。 - 阶段二：CSV 格式的代码块，列为 编号,一级标签,二级标签,情感,需复核,依据；然后输出本批汇总：各标签的出现次数与负面占比排行，以及最值得关注的 3 个问题，每个附 2 条代表性原文。
高亮处换成你自己的内容：[如电商评价/应用商店评论/客服工单]、[产品或业务说明]、[如找出差评主要原因]、[已有标签体系]、[建立标签体系/批量打标签]
ChatGPT Plus 充值
已被复制 0 次
使用说明
怎么填变量：先用 [阶段] = 建立标签体系，贴约 100 条随机抽取的样本（不要只挑差评），确认标签体系后，再把它粘贴到 [已有标签体系]，切换到批量打标签。每条文本前加编号（如「1024｜物流太慢了」），便于和原表对齐。
常见坑：
- 不固定标签体系就批量处理，每批都会冒出新标签，最后无法汇总统计。
- 一次贴几千条容易出现漏标或编号错位，分批处理更稳；数据量很大时更适合通过 API 调用逐批处理，并在程序里校验编号是否齐全。
- 正式使用前抽 50 条人工复核，计算一致率，标签定义模糊的地方据此修改。
追问技巧：汇总后追问「负面占比最高的二级标签，按用户提到的具体场景再细分」；对比不同时期的数据时，用同一套标签体系分别处理，再让它对比变化。
示例输出
示例，仅供参考
csv
编号,一级标签,二级标签,情感,需复核,依据
1024,物流配送;商品质量,配送时效;做工,混合,否,"三天才到；衣服做工不错"
1025,售后服务,退款进度,负面,否,"申请退款一周没人处理"
1026,物流配送,配送时效,负面,是,"「真是太快了，等了一周」疑似反讽"本批最值得关注：配送时效（出现 37 次，负面占 81%），代表原文：「下单五天还没发货」「说好次日达结果第三天才到」。
同款作品
用这条提示词做出来的作品；原作者会因此获得积分
还没有同款，来做第一个。
0 条评论
还没有评论，来抢沙发～