被AI引用不一定是好事——如果AI在推荐你的同时附带了"存在争议"、"用户评价一般"等负面信息，这样的引用可能比不被引用更糟糕。
品牌情感分析是GEO监测中容易被忽视但极其重要的维度。
一、AI搜索中的品牌情感类型
1.1 情感分类
| 情感类型 | 定义 | 示例 |
|---|---|---|
| 强正面 | AI明确推荐、高度评价 | "行业公认的最佳选择" |
| 正面 | AI给予正面评价 | "值得考虑的选项之一" |
| 中性 | AI只做客观描述 | "提供此类服务的企业" |
| 偏负面 | AI提到一些不足或争议 | "虽然功能全面，但价格偏高" |
| 负面 | AI给出明确的负面评价 | "用户反馈存在较多问题" |
1.2 AI情感表达的特点
AI搜索中的品牌情感表达与人类评论不同：
- 更含蓄： AI通常不会直接说"这个品牌不好"，而是用委婉的措辞
- 更对比： AI经常在对比语境中表达倾向（"A比B更适合…"）
- 更客观： AI试图平衡正负面信息，但仍有倾向性
- 受训练数据影响： AI的情感偏向反映了训练数据中的舆论倾向
关键认知：AI不是在"判断"你的品牌好不好，而是在"反映"互联网上关于你品牌的主流信息和情感倾向。
二、情感分析的评分体系
2.1 五级情感评分
| 分值 | 等级 | 关键词特征 |
|---|---|---|
| 5分 | 强正面 | 最佳、领先、首选、推荐 |
| 4分 | 正面 | 优秀、好用、值得、口碑好 |
| 3分 | 中性 | 提供、包括、属于、其中之一 |
| 2分 | 偏负面 | 但是、不过、相对较、有待改善 |
| 1分 | 负面 | 问题、不足、争议、差评 |
2.2 情感得分的计算
对所有被引用的回答进行情感评分，计算综合得分：
品牌情感综合得分 = Σ(各引用的情感分值) / 引用总次数
健康度标准：
| 综合得分 | 评级 | 建议 |
|---|---|---|
| 4.0-5.0 | 优秀 | 维持现状 |
| 3.5-4.0 | 良好 | 继续优化 |
| 3.0-3.5 | 一般 | 需要改善 |
| 2.5-3.0 | 偏差 | 重点改善 |
| 2.5以下 | 危险 | 紧急处理 |
2.3 情感分布分析
除了综合得分，还需要关注情感的分布：
| 分布类型 | 特征 | 含义 |
|---|---|---|
| 集中正面 | 80%+正面引用 | 品牌形象健康 |
| 正负混合 | 正面和负面都有 | 品牌存在争议点 |
| 集中中性 | 80%+中性引用 | 品牌差异化不足 |
| 集中负面 | 负面引用超过30% | 品牌形象危机 |
三、情感分析的监测方法
3.1 人工分析法
步骤：
- 收集所有包含品牌引用的AI回答全文
- 逐条阅读，标注情感倾向和关键表述
- 按五级评分体系打分
- 汇总统计情感分布
优点： 准确度高，能捕捉微妙的情感差异
缺点： 耗时，无法大规模执行
建议频率： 每两周抽查20-30条引用
3.2 半自动化分析法
使用关键词匹配辅助情感判断：
正面信号词： 推荐、领先、优秀、首选、最佳、专业、权威
中性信号词： 包括、属于、提供、其中、之一
负面信号词： 但是、不过、问题、不足、争议、缺点、风险
自动匹配信号词后，人工确认最终判断。
3.3 AI辅助分析法
使用语言模型对引用文本做情感分类：
输入：AI回答中包含品牌引用的完整句子/段落
分析要求：判断该段落对品牌[XXX]的情感倾向，评分1-5分
输出：情感分值 + 关键依据
四、负面引用的应对策略
4.1 负面引用的类型和应对
| 负面类型 | 示例 | 应对策略 |
|---|---|---|
| 产品不足 | "功能较少" | 更新产品介绍内容，突出功能优势 |
| 价格质疑 | "价格偏高" | 创建价值对比内容，强调性价比 |
| 用户差评 | "用户评价一般" | 改善用户体验，增加正面评价内容 |
| 信息过时 | "曾经出现问题" | 更新内容，说明已改善 |
| 竞品对比不利 | "不如竞品B" | 创建差异化对比内容 |
4.2 改善品牌情感的内容策略
短期策略（1-3个月）：
- 在官网内容中增加正面客户评价和案例
- 发布品牌权威内容（行业报告、专家背书）
- 更新包含过时负面信息的页面
- 在第三方平台增加正面品牌信息
中期策略（3-6个月）：
- 建立系统化的品牌声誉内容矩阵
- 在行业媒体发布正面品牌报道
- 鼓励满意客户发布真实评价
- 创建品牌故事和价值主张的深度内容
长期策略（6-12个月）：
- 建立品牌在行业中的思想领导力
- 持续产出原创研究和数据内容
- 培养品牌与正面话题的关联
4.3 紧急情况处理
当发现严重的负面引用时：
- 评估影响范围： 负面引用出现在哪些关键词、哪些平台
- 追溯信息源头： 找到AI引用负面信息的原始来源
- 优先修正高影响引用： 从品牌词开始修正
- 创建正面内容对冲： 发布高质量正面内容
五、情感分析与其他GEO指标的关联
5.1 情感-引用率关联
| 情感趋势 | 引用率趋势 | 含义 |
|---|---|---|
| 情感↑ 引用率↑ | 品牌形象和可见性都在提升 | |
| 情感↑ 引用率→ | 品牌形象改善但内容覆盖未扩展 | |
| 情感↓ 引用率↑ | 曝光增加但负面信息也在传播 | |
| 情感↓ 引用率↓ | 品牌声誉和可见性双重危机 |
5.2 不同平台的情感差异
| 平台 | 情感特征 | 原因 |
|---|---|---|
| ChatGPT | 偏中性客观 | 训练时注重平衡性 |
| Perplexity | 偏正面 | 引用权威来源为主 |
| 豆包 | 受中文舆论影响大 | 深度对接中文互联网 |
5.3 竞品情感对比
不仅要看自身的情感得分，还要与竞品做横向对比：
| 品牌 | 情感综合得分 | 正面引用占比 | 负面引用占比 |
|---|---|---|---|
| 我方品牌 | 3.8 | 62% | 8% |
| 竞品A | 4.1 | 70% | 5% |
| 竞品B | 3.2 | 45% | 18% |
六、情感趋势追踪
6.1 月度情感报告
每月输出一份品牌情感分析报告，包含：
- 本月情感综合得分和趋势
- 正面/中性/负面引用的分布变化
- 新出现的情感信号（正面或负面）
- 竞品情感对比
- 下月改善计划
6.2 情感基线建设
积累3个月以上的情感数据后，建立品牌情感基线：
- 正常情感分值范围
- 各类情感的正常比例
- 平台间的情感差异基准
偏离基线时触发告警。
常见问题 FAQ
Q：AI引用中的负面信息从哪里来？
A： AI的负面信息来源于其训练数据和实时检索的网页内容。如果互联网上存在关于你品牌的负面评论、差评、投诉、媒体报道等，AI可能会在回答中反映这些信息。因此，全网品牌声誉管理是改善AI引用情感的根本方法。
Q：能不能让AI不显示负面信息？
A： 你无法直接控制AI生成什么内容。但你可以通过两种方式间接影响：1）减少互联网上的负面信息来源（解决用户投诉、改善产品体验、要求撤除不实信息）；2）增加正面信息的"浓度"——发布更多高质量的正面内容，使AI在检索和生成时获取到更多正面信号。
Q：品牌情感分析需要用NLP工具吗？
A： 初期不需要。对于中小企业，每两周人工阅读20-30条AI引用文本并打分就能获得有价值的情感数据。当监测规模扩大（数百条引用需要分析）时，可以引入NLP情感分析工具或AI辅助分析来提高效率。
Q：竞品的情感得分比我们高很多怎么办？
A： 不要急于追赶数字。先分析竞品高情感得分的来源——是品牌知名度高、用户口碑好、还是内容策略好。然后有针对性地改善：如果是口碑问题就改善产品和服务，如果是内容策略问题就优化品牌信息的表达方式。情感改善是一个长期过程，通常需要3-6个月才能看到明显变化。
