在客户服务体验中，经常会遇到需要对客户满意度进行评分的情况。这种评分通常用于计算净推荐值（Net Promoter Score, NPS），它帮助识别出品牌的推广者（评分9-10）和批评者（评分0-6）。推广者对品牌忠诚，会继续购买、消费并推荐给他人。而批评者则可能通过负面口碑传播不满。情感分析技术无需直接进行调查，就能帮助通过社交媒体或公共论坛上的言论来识别推广者和批评者。
VADER（Valence Aware Dictionary and sEntiment Reasoner）是一个在2014年开发的预训练模型，它使用基于规则的值来调整社交媒体上的情感。VADER评估消息文本，并为提供不仅仅是正面和负面的情感评估，还包括情感的强度。
VADER使用一个它能够评估的术语字典。从GitHub仓库中，这包括了诸如否定词（"not great"）、缩写词（"wasn’t great"）、标点符号（增加强度，"It’s great!!!"）、俚语（"kinda", "sux", "hella"）以及能够理解缩写词（"lol"）和表情符号（❤）等例子。
评分是一个落入每个类别的文本比例的比率。语言不是非黑即白的，因此很少看到一个完全正面或完全负面的评分。由于这个模型已经针对社交媒体进行了预训练，因此它应该非常适用于Reddit用户发表的评论。
让以之前从Reddit检索到的评论为例。
comments[116].body
# 输出: 'This is cool!'
如果还没有下载词典，请下载（nltk.download('vader_lexicon')）并导入（from nltk.sentiment.vader import SentimentIntensityAnalyzer）VADER情感分析器，然后使用它来评分特定的评论。
analyzer = SentimentIntensityAnalyzer()
analyzer.polarity_scores(comments[116].body)
分析的输出是：
{
'neg': 0.0,
'neu': 0.436,
'pos': 0.564,
'compound': 0.3802
}
在Reddit上，像"This is cool!"这样的帖子是高度赞扬的。
让看看这个帖子的整体情感，而不仅仅是单个评论。有119条评论需要分析，将它们放入桶中进行计数。
len(comments)
# 输出: 119
初始化一个字典来记录结果：
result = {
'pos': 0,
'neg': 0,
'neu': 0
}
for comment in comments:
score = analyzer.polarity_scores(comment.body)
if score['compound'] > 0.05:
result['pos'] += 1
elif score['compound'] < -0.05:
result['neg'] += 1
else:
result['neu'] += 1
print(result)
输出是：
{
'pos': 65,
'neg': 25,
'neu': 29
}
了解到，对于这个帖子，评论总体上是积极的。
正如所看到的，可以从各种来源获取文本，并进行快速分析以了解正面和负面的情感。这对于了解产品、服务或内容是否受到欢迎非常有用。它还可以帮助优先考虑社区参与。