NLP Text Classification — 跨品类零样本评论分类与客服工单智能分流
Skill-NLP-Text-Classification · 07-NLP-VOC
causalexperiment广告与投放客服与VOCWF-B 广告优化WF-C 客服分诊WF-E Review监控WF-G Listing内容优化WF-I 智能体工程WF-J DTC 独立站增长WF-L 内容营销增长
年化 ROI30-80 万
实现难度⭐⭐☆☆☆
业务视角
适用角色产品运营负责人 / 选品负责人 · 客服负责人 · 品牌负责人
适用平台Amazon Reviews / Q&A · TikTok 评论区 · Reddit 母婴社区
什么情况下用每月几千条差评和 Q&A 没有人力一条条看，但痛点都在里面；新品开发不知道做什么功能、改什么问题
成功是什么样的自动提取 Top 10 高频痛点，新品开发有用户数据背书，每月出竞品用户洞察报告
业务痛点
1. 解决的问题
客服工单人工分类耗时 4-6 小时/周且跨品类不可复用——LLM 零样本分类将分类一致性从 78% 提升至 93%，新品类 15 分钟投入使用，年化节省人力 ¥6-12 万
2. 核心算法逻辑
跨境电商的品类扩展速度远快于 NLP 标注速度——今天卖吸奶器，明天上婴儿推车，后天做儿童益智玩具。每次新增品类都要重新收集标注数据和微调模型，这在业务上根本跑不过来。
3. 业务应用场景
业务问题：运营团队每周要手工从 Amazon / TikTok Shop / 独立站三个平台抓取 1,000+ 条差评，按"产品问题/物流/客服/使用问题"分类后才能给到各责任部门。这个工作每周耗时 4-6 小时，且新品类上线后要重新建分类标准。
解决方案： 1. 定义统一的分类 Schema（覆盖所有品类的通用问题维度） 2. 每个品类提供 3-5 个 in-context 示例（从已有差评中人工挑选） 3. 新品类上线时，只需更换示例，15 分钟即可投入使用 4. 输出结构化 JSON，直接写入 Superset BI 看板
| 一级类 | 二级类 | 描述 | |---|---|---| | 产品质量 | 核心性能 | 吸力不足、噪音、电池续航 | | 产品质量 | 材质安全 | BPA、硅胶气味、认证 | | 使用体验 | 舒适度 | 法兰尺寸、穿戴感 | | 物流体验 | 配送时效 | 发货慢、包装破损 | | 售后服务 | 客服响应 | 退换货、答复慢 |
4. 输入数据要求
请查看原始代码模板获取输入规格。
5. 输出结果
请查看原始代码模板获取输出规格。
6. 业务价值 / ROI
- ROI 预估：
- 差评分类自动化：运营节省 4-6 小时/周 × 52 周 × ¥150/小时 = ¥31,200-46,800/年
- 客服工单分流：40% 工单自动回复，客服人力效率提升 60%，年化节省 ¥60,000-120,000
- 差评响应加速 → 差评率下降 → 年化 GMV 防损 ¥30-80 万
- 年化综合 ROI：¥100-200 万
- 实施难度：⭐⭐☆☆☆（定义 Schema 1-2 小时，代码集成 1 天，无需标注数据）
7. 代码模板
代码块数量：2 · 路径：未检测到
"""
NLP Text Classification — LLM 驱动的跨品类零样本评论分类
基于 arXiv 2501.08974 实现
依赖: json, re, dataclasses (标准库); 生产环境需要 LLM API
"""
from dataclasses import dataclass, field
from typing import Optional
import json
import re
@dataclass
class ClassificationSchema:
"""分类 Schema 定义"""
name: str # Schema 名称（如"吸奶器差评分类"）
labels: list # [{label, description, examples}]
task_instruction: str = "请将以下文本分类"
@dataclass
class ClassificationResult:
"""单条文本的分类结果"""
text_id: str
text: str
label: str
sub_label: str = ""
confidence: float = 1.0
evidence: str = "" # 支持分类决策的关键文本片段
is_auto_resolved: bool = False # 是否可自动处理（无需人工）
class PromptBuilder:
"""构造 LLM 分类 Prompt"""
def build(self, text: str, schema: ClassificationSchema,
examples: Optional[list] = None) -> str:
"""
生成结构化分类 Prompt
Args:
text: 待分类文本
schema: 分类 Schema
examples: in-context 示例 [{text, label, sub_label}]
"""
label_desc = "\n".join([
f" - {lb['label']}: {lb['description']}"
for lb in schema.labels
])
example_str = ""
if examples:
parts = []
for ex in examples[:5]:
parts.append(
f' 文本: "{ex["text"][:80]}"\n'
f' 分类: {ex["label"]} > {ex.get("sub_label", "")}'
)
example_str = "\n示例：\n" + "\n---\n".join(parts)8. 论文来源
- 2501.08974