提及情感（Mention Sentiment） Mention Sentiment

提及情感（Mention Sentiment）指对 AI 回答里出现的品牌提及做正、中、负三分类：这条提及是在推荐你、中性陈述你，还是在劝退你。它与提及率构成两问——提及率回答「有没有说到你」，情感回答「怎么说你」。两问缺一不可：负提及在份额口径里会推高数字，在品牌资产口径里却是负债，把两类信息合并成一个「提及量」，等于把好评与差评加总报成「口碑量」。

三分类怎么定：边界情况比主类难

三分类的框架简单，难在边界。正面与中性之间，句式反问、有保留的推荐、先扬后抑的对比，都卡在中间；负面与中性之间，「价格偏高」这类事实性短板陈述，算客观描述还是负面评价，不同品牌的容忍度不同。我们建议的做法是把判定规则写进口径文档：分类对象是整句还是提及所在段落、对比语境下的提及跟随哪一方、事实性缺点与主观差评怎么区分——规则定死之前先跑一批人工标注的样本校准，边界案例的处置方式要落在纸面上，而不是靠当班同事临场发挥。

情感与另一个维度要分开记：提及伴随的事实是否正确。说好话但说错了事实，与说坏话说对了事实，是两种完全不同的处置对象——前者归纠错条线，后者归口碑条线，混在情感标签里会互相漏接。这个区分的展开见事实纠错监测（Fact-Check Monitoring）。

举几个例子说清边界。推荐语境里的「值得优先考虑」是正面；罗列语境里的「也是常见选择之一」是中性；对比语境里「更推荐另一家」的提及，情感判定要跟随整句倾向而不是提及字面。这类例子应当进团队的标注手册，遇到新形态就补一条——标注手册的厚度，基本就是情感口径的成熟度。

打标的三条路线与各自的偏差

工程上有三条路线。关键词规则判别最便宜也最可控：命中预设的褒贬词表就打标，可解释、可复现，但对反讽、委婉、隐性负面天然失明——「价格确实配得上它的胆量」这种句子，规则判别会打出正面标签。语义模型打标覆盖面好，但引入新的偏差源：模型对行业黑话的理解、对文化语境的把握、乃至对特定品牌的既有印象，都会污染标签；拿一个大模型去判另一个模型的表达倾向，偏差方向还不容易预判。人工标注最准也最贵，只适合做校准基准与争议仲裁。

三条路线的合理组合是分层使用：自动打标跑全量，人工抽检校准质量，规则与模型的结果分叉处进人工仲裁队列。抽检比例不用高，但要固定且留记录——抽检发现的偏差类型要回流去修词表或提示词，让校准成为闭环而不是一次性动作。我们自己的口径公开讲过限制：关键词规则判别对反讽与隐性负面可能漏判，这条限制写在测量方法论的限制清单里，向外交付时一并附上（见秀虎GEO 测量方法论）。

成本差：判提及是一层，判情感是两层

提及判别本质是字符串匹配加少量归一化：品牌名的简称、错写、子品牌提前列全，剩下的交给规则，成本低到可以全量跑。情感判别则要理解语境、句式乃至反讽，是真正的语义任务——同样是处理一万条回答，打情感标签的成本可以是打提及标签的数倍。这个成本差决定了架构：提及率可以做高频全量指标，情感更适合做抽样深读指标，用固定抽样框保证不同时期的情感读数可比。预算有限时先保提及全量、情感抽样，而不是两头都要两头都糙。

情感标签的维护还有一个隐性成本常被忽略：语言与行业迁移。中文口语里的褒贬词表换到英文语境要重做，B2B 工业品语境里的「便宜」与消费品语境里的「廉价」情感值不同。跨市场团队不要指望一套标签打天下，每个语言与行业组合都值得单独校准一轮。

情感数据接到哪里

情感读数的价值在两个出口。出口一是份额口径的净化：AI SOV 统计时剔除或单列负提及，让份额反映真实资产而非名义曝光——具体怎么落地，看三指标框架里 Presence 维度的口径设计。出口二是品牌叙事的经营：把负提及的集中话题、出现题类与竞品对照做成叙事短板清单，反哺内容与公关动作；被点名后 AI 怎么定位你、用什么词形容你，这层更完整的画像属于AI 品牌描述（AI Brand Description），情感是它其中一个维度。

报表呈现上，情感三类的占比要与提及量并排出现：提及量看曝光面，正负比看叙事质量，单独看任何一面都会误判处境。正负比的剧烈变化即使绝对量小也值得标注——叙事结构的拐点往往领先于份额的变化，情感是监测体系里较早发信号的维度之一，代价是它也是最容易被打标偏差污染的维度，发信号之前先确认标签质量还站得住。

最后提一句分级响应：零星负提及是常态，不值得触发动作；同一话题的负提及在多引擎重复出现，才是需要启动应对流程的信号。发现之后的定性、纠正与复盘是一套完整工作流，那已经超出测量范畴，进入经营条线——测量的本分是把信号干净地递过去，不带噪声，也不带粉饰。提及率的口径本体见提及率（Mention Rate），与引用两类资产的分账逻辑见品牌提及（Brand Mentions）。