KEYBOARD / ANALYSIS
Comment intelligence · 小红书评论区结论

小红书键盘推荐评论总结和分析

01 / THE VERDICT

评论区讨论的结论

02 / BRAND SCORE

品牌评分

净口碑分 =(好评 − 差评)÷ 相关评论数 × 100。全部品牌均已列出;下方小样本品牌(不足 5 条)仅作线索,不参与上方排名。

好评差评中立模糊
展开完整品牌数据表与筛选
品牌 / 统计范围相关评论好评率差评率中立模糊率净分系列覆盖与购买解读

小样本品牌:只作线索,不作稳定排名

    全部候选排序与风险预算内 / 券后临界 / 超预算已标注
    下单前的硬性动作:确认当前售价、轴体、配列、连接版本和退换政策;优先实际试打。报告中的“359”“399”“300来块”均为评论中的历史价格,未做实时核验。

    暂不建议直接下单

    如何读这份报告

    • 好评/差评/中立模糊为三个独立计数,合计100%。
    • 净口碑分 =(好评-差评)÷相关评论数×100。
    • 评论数不等于独立用户数。
    • 系列缺失不会硬补,品牌泛评不分摊给某型号。
    • 吵架与优越感发言已剔除,不计入任何品牌。
    当前售价与预算评估300–400 元预算 · 超预算已标注
    03 / PRICE & BUDGET

    按当前售价重新评估

    品牌系列当前到手价预算状态版本与需求匹配结论与依据

    品牌—系列映射关系用户提供的权威清单
    04 / AUTHORITATIVE MAPPING

    按提供清单整理

    只有原文明确出现系列才计入系列层。“零确认命中”的系列没有评论证据,不会从品牌评分中借用。

    规范品牌规范系列识别别名品牌好/差/中系列好/差/中状态与说明

    “未指定系列”表示评论只停留在品牌层;“零确认命中”表示清单指定了系列名,但原帖没有明确写出它。

    系列与型号评分型号缺失本身就是结论
    05 / SERIES & MODEL

    品牌—系列层面

    系列统计只纳入能可靠落到该系列的评论。品牌泛评不会向下分摊。

    品牌系列 / 型号组评论好 / 差 / 中净分证据强度评价与数据缺失

    代表性原评论证据每个判断都能回查
    06 / TRACEABLE EVIDENCE

    可回查的原评

    行号为原CSV物理起始行(含表头);长期维护优先使用评论ID。

    数据的缺失与解读边界不可过度解读之处
    07 / LIMITATIONS
      以后新增评论如何更新去重 · 初筛 · 复核 · 联动刷新
      08 / INCREMENTAL WORKFLOW

      增量更新流程

      1. 首次初始化基线
        对当前原始CSV执行一次左侧命令,只登记评论ID。
      2. 未来导入更新后的CSV
        可传完整新导出,也可只传新增评论,按ID去重。
      3. 复核不确定评论
        多品牌比较、吵架楼层、短回复和模糊立场会待复核。
      4. 刷新与导出
        报告、筛选表和CSV导出同步变化。

      在 keyboard_analysis 目录运行

      # 第一次:登记当前基线评论ID python update_analysis.py --init "C:\Users\admin\Desktop\xhs-keyboard-comments-full.csv" # 以后:加入更新后的完整CSV python update_analysis.py --update "你的新CSV完整路径.csv" # 复核模糊评价(y计入 / p好评 / n差评 / u中立 / x排除) python update_analysis.py --review # 查看状态 / 仅重新生成报告 python update_analysis.py --status python update_analysis.py --rebuild

      依赖 Python 3,仅使用标准库。新别名在 coding_rules.json 中维护。

      待复核新增标注 0

      评论ID品牌 / 系列初步立场原文待复核原因
      评分方法与维护边界统计单位 · 情感口径 · 自动化边界
      09 / METHODOLOGY

      统计单位

      一条评论同时评价两个品牌可分别计入;同一品牌在同一评论中只计一次。点赞不加权。

      好评率 = 好评数 / 相关评论数
      差评率 = 差评数 / 相关评论数
      中立率 = 中立模糊数 / 相关评论数

      情感口径

      明确推荐为好评;故障、品控/售后问题为差评;拥有、询价或好坏并存为中立模糊。纯人身攻击与吵架不计。

      净分 = (好评数 − 差评数)
          / 相关评论数 × 100

      自动化边界

      新评论语义不能靠计数公式可靠生成。工具做明确规则初筛,复杂语义留给人复核。

      基线人工审定 + 高置信标注
      + 人工复核 = 当前报告