评价对象
品牌、产品、功能、客服、价格或人物必须拆开,不能让多对象互相污染。
「功能挺强,但客服一言难尽」——给这句话打一个「正」或「负」都是错的。可靠的品牌情绪分析,必须回答谁对什么对象、在哪个议题下表达了什么态度,并说明证据、语境和不确定性。
下图为 MATRIX Reputation 真实界面演示,使用某新能源汽车品牌及竞品A/B/C的合成数据,非真实客户数据。界面同屏展示情绪、声誉与 AI 决策指标;这些汇总读数不能替代对象级态度、证据句与人工复核。
左右滑动查看完整界面

左右滑动查看完整界面

产品、客服、价格各记一条态度,不再互相污染成一个总标签。
每条态度都挂着原文里的那句话,结论可回溯、可复核。
反讽、条件式、比较句给低置信,避免机器误判被当成事实。
高风险或低置信结果不自动触发动作,先进人工复核。
标签只是结果,支持结果的对象、语境与证据才决定它能否进入决策。
品牌、产品、功能、客服、价格或人物必须拆开,不能让多对象互相污染。
记录支持、反对、中立、条件式或转述,并保留场景限制。
保存支持标签的完整句子、上下文、来源和时间,禁止只留摘要。
标明自动通过、人工复核、事实核查或争议升级及其责任人。
公开文本或回答中的评价对象、情绪倾向、强度、具体议题、支持语句和表达方式,并在样本范围内汇总。
用户真实身份、购买经历、心理状态和未来行为,不能仅凭一句公开表达确定;情绪变化也不等于销量或声誉结果。
涉及安全、合规、歧视或重大事实的内容,即使模型给出明确标签,也先核查原文与来源。
先把可核查事实送入事实核验,再保留表达者对事实的立场,二者不互相替代。
保存分歧样本与规则版本,由复核人决定拆分议题、修订规则或维持待定。
「不能说不好」与「并不好」方向不同,需要解析完整句子。
表面正向词可能表达不满,且平台与圈层语义会变化。
作者转述负面不代表认同,需识别说话者与立场。
支持产品功能可能同时否定品牌服务,不能只给一个标签。
「适合新手但不适合专业使用」必须保留适用场景。
错误事实可能用中性语气表达,仍需进入核查而非被忽略。
每次人工改判都应留下原因与适用范围,才能区分偶发难例和系统性规则缺口。
按议题、渠道、风险和置信度抽取样本。
对争议样本分别标注对象、立场和证据。
区分对象识别、语境、词义、来源和规则错误;噪声处理见[品牌监测噪声过滤](/content-insight/brand-monitoring-noise-filtering)。
更新规则版本并用同一难例集复测,旧结果保留版本记录。
按议题、渠道、风险和置信度抽取样本。
对争议样本分别标注对象、立场和证据。
区分对象识别、语境、词义、来源和规则错误;噪声处理见[品牌监测噪声过滤](/content-insight/brand-monitoring-noise-filtering)。
更新规则版本并用同一难例集复测,旧结果保留版本记录。
重点看事实框架、标题与正文、引述主体和公共议题,不把批判性报道简单等同于用户情绪。
重点看体验对象、评论语境、反讽、引用、圈层语言和讨论阶段,区分个人表达与聚集议题。
重点看推荐、保留、警示和事实描述如何面向具体问题生成,并保存完整问题、答案和引用。
对象级
一个对象一条态度,不用整篇总标签覆盖分歧
证据级
原文、上下文、来源与时间可直接复核
处置级
低置信、高风险和争议样本有明确升级路径
全渠道内容洞察的价值,在于统一方法与证据链,而不是复制一份行业方案换名词。
值数内容洞察原则