模型／架構案例，整合第 6.6 節、圖 6.9–6.11 與技術洞察 6.2。
區分明示／隱含情緒、詞典式方法與機器學習方法，並理解潛在狄利克雷配置（Latent Dirichlet Allocation, LDA）主題模型的用途。
企業可從評論、社群貼文、客服中心紀錄、討論區等文字辨識顧客之聲（Voice of the Customer, VOC）、市場之聲（Voice of the Market, VOM）、員工之聲（Voice of the Employee, VOE）與品牌情緒。
| 方法／概念 | 原書重點 |
|---|---|
| 明示情緒 | 句子直接表達意見 |
| 隱含情緒 | 句子以描述暗示意見 |
| 詞典式方法 | 以詞彙／同義詞集的極性分數彙整情緒 |
| 極性分數 | 正向／負向／客觀分數範圍 0.0–1.0 |
| 機器學習方法 | 以已標註文字資料訓練分類器 |
| 潛在狄利克雷配置 | 生成式機率、非監督式主題模型 |
詞典式流程需辨識帶有情緒的詞彙、脈絡與極性；機器學習方法依已標註資料建模。潛在狄利克雷配置則從文件、詞彙與潛在主題的機率關係找出主題結構。
原書未提供一組完整句子與詞典分數供重算情緒分數，也沒有提供潛在狄利克雷配置的語料庫／主題機率，因此不自行生成分數。
情緒分析不是只把整段文字壓成正向／負向／中性。混合極性、諷刺、領域詞彙與脈絡都可能讓單一整體分數失真；主題模型則回答「大家在談什麼」，與「態度是什麼」是不同問題。
先辨識文本中的主題，再辨識對各主題的情緒；若沒有詞典分數或已標註訓練資料，不要輸出假精確的情緒機率。
問題： 「地點很好，但浴室有臭味」若整句被標成中性，有什麼問題？
參考解答： 原書指出混合極性應拆開處理；地點是正向，而浴室異味是可採取行動的負向問題，互相抵消會失去管理意義。