# HN 提及态度分类：赞扬、批评与阅读意向

审校 JSON 或 CSV 中针对指定书籍或实体的态度。区分赞扬、批评、阅读意向和中性提及，再统计推荐。

> 标准页面: https://elysiatools.com/zh/tools/hn-mention-sentiment-positive-negative-classifier

- **分类:** AI Tools

- **关键词:** HN, 提及态度, 实体情感, 书籍推荐, 赞扬, 批评, 待读清单

## 概述

粘贴最多 20 行，必填 entity 和 context，可选 id、commentId。上下文必须原样包含实体。混合模式只将未解决的上下文发送给 OpenRouter，固定使用 deepseek/deepseek-v4.1-flash-1017，单次请求限时 45 秒，不重试、不替换模型。纯规则模式不调用模型。分数是启发式或模型自报值，不代表校准后的准确率；模型可能出错。混合态度、低置信度及未解决记录不会自动计票。去重提及不等于推荐：赞扬票按 commentId/实体或完全相同的实体/上下文去重，不合并别名。支持下载 JSON、防公式注入 CSV 和未确认的修正模板。保留 id、fingerprint 并设置 confirmed: true 后，修正仅适用于同一输入。本工具不建立持久标注库、不训练模型；平台与模型服务商的数据留存政策仍适用。

## 输入项

- **提及记录（JSON 或 CSV）** (textarea)
- **输入格式** (select)
- **分类模式** (select)
- **已确认的修正（JSON，可选）** (textarea)
- **赞扬最低置信度** (number)

## 适用场景

- 整理技术论坛书单并需要排除“想读却没读”或负面吐槽的虚假好评时。
- 需要审校小批量社区评论（20 行以内），精确提取对某个软件或框架的真实赞扬票时。
- 希望在纯离线规则和固定大模型辅助之间灵活切换以审计实体情感倾向时。

## 工作原理

- 接收粘贴的 JSON 或 CSV 记录（最多 20 行），验证 context 中是否原样包含必填的 entity 字段。
- 按设定模式进行分类：纯规则模式完全离线匹配；混合模式仅将规则无法裁决的未解决记录发送给 deepseek/deepseek-v4.1-flash-1017。
- 根据设定的最低置信度阈值过滤赞扬记录，排除混合态度与低置信度内容，并按 commentId 或精确上下文去重计票。
- 生成可视化 HTML 审校结果，同时提供修正模板、JSON 及防公式注入的 CSV 下载。

## 使用案例

- 社区技术书单筛选：剔除评论中仅表达“打算读”或“弃读”的干扰项，准确沉淀高口碑书籍。
- 开源项目声誉核查：分析 HN 讨论串中针对特定库的真实好评率与集中批评点。
- 小规模评论数据清洗：导出防公式注入的规范 CSV 和审计报告，供离线存档或二次校验。

## 常见问题

### 输入数据有什么字段限制和行数要求？

单次最多支持 20 行记录，必填字段为 entity 和 context（且 context 必须原样包含 entity），可选字段为 id 和 commentId。

### 纯规则模式与混合模式有什么区别？

纯规则模式完全基于本地启发式规则，不发起网络请求；混合模式仅将规则无法判定的文本发送给指定的单一模型请求一次。

### 只要提到书名就会被算作一票推荐吗？

不会。提及并不等于推荐，仅达到置信度阈值的明确赞扬才会计票，批评、待读意向、混合态度及低置信度提及均不计入。

### 赞扬票是如何进行去重处理的？

系统会依据 commentId/entity 组合或完全相同的 entity/context 进行去重，但不会自动合并实体的不同别名。

### 如何应用自定义修正来调整分类结果？

可下载系统生成的修正模板，保留原记录的 id 和 fingerprint，修改分类并将 confirmed 设为 true 后填入修正输入框重新运行。

## 相关工具

- [结构化日志解析器](https://elysiatools.com/zh/tools/structured-log-analyzer): 自动识别常见日志格式，提取核心字段并推断字段类型，支持导出为 JSON、CSV 或 SQL。
- [PDF 表格提取到 CSV/JSON](https://elysiatools.com/zh/tools/pdf-table-extractor-to-csv-json): 用 OpenDataLoader 从 PDF 中抽取表格，并导出为结构化 JSON、扁平 CSV 或 HTML 表格
- [数据集不平衡检测与重采样](https://elysiatools.com/zh/tools/dataset-imbalance-detector-resampler): 检测 CSV 或 JSON 数据集中的类别不平衡，对比重采样策略，并预览平衡后的输出数据集
- [时间序列预测与季节性分析](https://elysiatools.com/zh/tools/time-series-forecast-seasonality-analyzer): 从 CSV 或 JSON 时间序列数据中预测未来数期，并在一份报告中查看趋势、季节项和残差分解
- [训练/测试集分层切分器](https://elysiatools.com/zh/tools/train-test-split-with-stratification): 读取 CSV/JSON 数据集,按目标列做分层抽样的 train/validation/test 切分(默认 70/15/15,随机种子可复现),或分层 k 折交叉验证;输出每折类别分布报告与偏差条、重复行泄漏检查、SMOTE 过采样预览(仅在训练折上做最近邻插值),并可导出各折 CSV 为 ZIP。
- [语音活动分割](https://elysiatools.com/zh/tools/audio-voice-activity-segmentation): 检测可能的语音频段活动，并将语音/非语音区间导出为 JSON、CSV、SRT 标记或 FFmpeg 剪切列表。
- [混乱文本结构化数据工作台](https://elysiatools.com/zh/tools/messy-text-to-structured-data-workbench): 从粘贴文本、混合分隔符、键值行或 HTML 中推断表格，并导出 CSV、JSON 和 Markdown。
- [Mock Data 命名前缀 / 缩写冲突检测器](https://elysiatools.com/zh/tools/mock-data-naming-conflict-detector): 检测 CSV、JSON 或 schema 中视觉易混淆的字段名和前缀冲突，并给出更清晰的改名建议

## 示例

- [CSV示例](https://elysiatools.com/zh/samples/csv-samples): 各种数据类型、大小和复杂度级别的CSV示例文件
- [Python 示例](https://elysiatools.com/zh/samples/python): Python代码示例和Hello World演示
- [分布式追踪示例](https://elysiatools.com/zh/samples/distributed-tracing-samples): 使用 Jaeger、OpenTelemetry 和其他现代可观测性工具的综合分布式追踪示例，适用于微服务架构
- [AWS EventBridge 示例](https://elysiatools.com/zh/samples/eventbridge-samples): AWS EventBridge 示例，包括事件总线、规则、目标、模式注册表、自定义事件和跨账户事件路由，适用于无服务器事件驱动架构

## 相关内容

- [HN 评论实体推荐票复核与榜单交付](https://elysiatools.com/zh/hubs/hn-entity-recommendation-review-and-ranking-handoff): 把获准使用的 HN 评论导出整理成可追溯推荐榜单：保留语境，区分赞扬、批评和想读意向，复核争议计票，交付经过跨批次核对的结果。