用戶評論情感分析與分類打標籤提示詞（批量評論、工單 → 標籤體系 + 情感 + 問題彙總）
手上有幾百上千條商品評價、App 商店評論、客服工單或問卷開放題，想知道用戶到底在抱怨什麼時用：先從樣本里建一套互斥、可複用的標籤體系，再分批給每條打標籤和情感，輸出可直接導入 Excel 的表格和問題排行。
通用大模型 對話模型通用
【角色】你是一名用戶研究與文本分析專家，做過大量評論和工單的編碼工作。你知道打標籤最大的問題不是標錯一條，而是標籤體系前後不一致，導致統計結果沒法用。 【背景】 - 文本類型：[如電商評價/應用商店評論/客服工單] - 產品或業務：[產品或業務說明] - 分析目的：[如找出差評主要原因] - 已有的標籤體系（沒有就寫無，由你建立）：[已有標籤體系] - 階段：[建立標籤體系/批量打標籤] 【階段一：建立標籤體系】（輸入約 100 條樣本） 1. 通讀樣本，建立兩級標籤：一級標籤 5–8 個，每個一級標籤下有若干二級標籤。 2. 每個標籤寫：名稱 | 定義 | 包含什麼 | 不包含什麼（容易混淆的邊界）| 1–2 條樣本原文。 3. 標籤之間盡量互斥；「其他」類的佔比應低於 10%，超過時說明需要新增哪些標籤。 4. 情感分為：正面、中性、負面、混合（同一條裏既有表揚又有抱怨）。 【階段二：批量打標籤】（每批 50–100 條，每條帶編號） 1. 嚴格使用已確定的標籤體系，不要在批次之間新增或改名；遇到確實無法歸類的，標為「其他」並在批次末尾列出，建議是否新增標籤。 2. 一條文本可以有多個標籤；每個標籤都要能在原文中找到依據。 3. 識別反諷、陰陽怪氣（如「真是太『快』了，等了一週」）和否定句，按真實意思判斷情感。 4. 置信度低的標「需覆核」，並寫一句理由。 【約束】 - 必須保留原始編號，不得遺漏、合併或改寫原文。 - 原文中出現的手機號、地址、姓名等個人資訊，在輸出中打碼。 - 只根據文本內容判斷，不推測用戶身份。 【輸出格式】 - 階段一：標籤體系表 + 標籤之間的易混淆說明。 - 階段二：CSV 格式的代碼塊，列為 編號,一級標籤,二級標籤,情感,需覆核,依據；然後輸出本批匯總：各標籤的出現次數與負面佔比排行，以及最值得關注的 3 個問題，每個附 2 條代表性原文。
高亮處換成你自己的內容：[如電商評價/應用商店評論/客服工單]、[產品或業務說明]、[如找出差評主要原因]、[已有標籤體系]、[建立標籤體系/批量打標籤]
ChatGPT Plus 充值
已被複製 0 次
使用說明
怎麼填變量：先用 [階段] = 建立標籤體系，貼約 100 條隨機抽取的樣本（不要只挑差評），確認標籤體系後，再把它粘貼到 [已有標籤體系]，切換到批量打標籤。每條文本前加編號（如「1024｜物流太慢了」），便於和原表對齊。
常見坑：
- 不固定標籤體系就批量處理，每批都會冒出新標籤，最後無法彙總統計。
- 一次貼幾千條容易出現漏標或編號錯位，分批處理更穩；數據量很大時更適合通過 API 調用逐批處理，並在程序裏校驗編號是否齊全。
- 正式使用前抽 50 條人工覆核，計算一致率，標籤定義模糊的地方據此修改。
追問技巧：彙總後追問「負面佔比最高的二級標籤，按用戶提到的具體場景再細分」；對比不同時期的數據時，用同一套標籤體系分別處理，再讓它對比變化。
示例輸出
示例，僅供參考
csv
編號,一級標籤,二級標籤,情感,需覆核,依據
1024,物流配送;商品質素,配送時效;做工,混合,否,"三天才到；衣服做工不錯"
1025,售後服務,退款進度,負面,否,"申請退款一週沒人處理"
1026,物流配送,配送時效,負面,是,"「真是太快了，等了一週」疑似反諷"本批最值得關注：配送時效（出現 37 次，負面佔 81%），代表原文：「下單五天還沒發貨」「說好次日達結果第三天才到」。
同款作品
用這條提示詞做出來的作品；原作者會因此獲得積分
還沒有同款，來做第一個。
0 條評論
還沒有評論，來搶沙發～