skill-comment-insights

# 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`。 ```bash python <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 1. **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。 2. **高频词/短语**：用户关注点与话题；可喂 chart-visualization/infographic 出词云图。 3. **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）。 4. **吐槽（complaints）**：产品/服务问题信号 → 复盘改进（配合 skill-content-postmortem）。 ## 规则 1. 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。 2. 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。 3. 数据量小（<20 条）时占比参考意义有限，如实说明样本量。 4. 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。