评论区量化分析(comment-insights)
对评论做量化洞察:情感分布、高频词/短语、需求与吐槽挖掘。走
scripts/comment_insights.py(jieba + SnowNLP + 社媒情感词典)。
和 skill-community-ops 的分工:community-ops 是"怎么回评论 + 危机应对"(运营动作); 本 SKILL 是"评论区在说什么"(量化数据)。评论抓取见 skill-xhs-analyzer。
⚠️ 依赖
pip install jieba snownlp(首次 jieba 会构建词典缓存)。
输入
评论数据,三种格式:
.txt:每行一条评论.json:字符串数组,或对象数组(--column指定字段,默认 content).csv:--column指定评论列(默认首列/content)
输出(outputs/主题名/)
- 报告 JSON:情感分布/占比 + 正负代表评论 + 高频词 + 高频短语 + 需求/吐槽/提问计数与例子
- 终端可读摘要
执行
脚本路径(相对项目根):skills/openclaw/skill-comment-insights/scripts/comment_insights.py。
bashpython <skill>/scripts/comment_insights.py analyze -i comments.txt --top 20 \ -o outputs/主题名/report.json # CSV 指定列 python <skill>/scripts/comment_insights.py analyze -i comments.csv --column 评论内容
结果怎么用
- 情感占比:负面偏高 → 结合负面代表评论定位问题;配合 skill-community-ops 做回应/危机。
- 高频词/短语:用户关注点与话题;可喂 chart-visualization/infographic 出词云图。
- 需求(demands):求链接/求教程/求同款 → 直接转化为下一条选题(配合 community-ops 选题反哺)。
- 吐槽(complaints):产品/服务问题信号 → 复盘改进(配合 skill-content-postmortem)。
规则
- 情感为 SnowNLP 基线 + 社媒词典修正的近似值,用于看趋势与占比,非逐条精判; 关键决策需人工核对代表评论,或让 LLM 对存疑评论精读。
- 高频词已做词性过滤(保留名/动/形)+ 停用词剔除,聚焦有信息量的词。
- 数据量小(<20 条)时占比参考意义有限,如实说明样本量。
- 只做分析不做回复;回复/危机用 skill-community-ops。
参考来源
沿用社媒评论分析常用组合:jieba 中文分词(#131 高频词)+ SnowNLP 情感(#130),并叠加 社媒情感词典(绝绝子/yyds/避雷/翻车等网络用语)修正 SnowNLP 在社交文本上的偏差。诉求挖掘 用规则匹配(求购/疑问/吐槽),确定可复现。

