mcpField
C
content-analysis

content-analysis

github.com/liangdabiao数据与数据库29881 次安装25 周前更新
代码仓库

关于 content-analysis

content-analysis 是面向内容分析者的文本分析技能，结合传统 NLP 与 LLM 方法提取情绪、主题和内容模式。它支持多语言分析，并可用于生成内容洞察与建议。

主要功能

  1. 01情绪分析
  2. 02主题与关键词提取
  3. 03内容分类与聚类
  4. 04识别传播内容模式
  5. 05多语言分析
  6. 06生成内容建议

适用场景

  1. 01分析社交媒体品牌情绪
  2. 02提取视频评论主题
  3. 03归纳产品评价反馈
  4. 04追踪新闻情绪与类别

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/liangdabiao/claude-data-analysis-ultra-main --skill content-analysis

安装后在 Claude Code 中输入/content-analysis确认已加载。

包含的文件

除 SKILL.md 外，安装时一起下载的参考资料和脚本。

README.md
test_skill.py
examples/
basic_content_analysis.py
content_visualizer.py
llm_analyzer.py
sentiment_analyzer.py
text_analyzer.py
topic_analyzer.py
examples/sample_data/
sample_reviews.csv
sample_social_media.json
guide/
content_analysis_guide.md
templates/
content_analysis_report_template.md

详细介绍

内容分析技能

使用先进的 NLP 技术和 LLM 驱动的洞察分析文本内容，从各种内容来源中提取情感、主题和可执行的情报。

快速开始

此技能可帮助你：

  1. 分析情感：结合传统 NLP 和 LLM 方法
  2. 提取主题和关键词：从大型文本数据集中提取
  3. 自动分类和聚类内容
  4. 识别病毒式传播内容的模式和特征
  5. 生成内容洞察和建议
  6. 支持多种语言和内容格式

适用场景

  • 社交媒体分析：Facebook、Twitter、Instagram、Weibo 帖子
  • 内容营销：分析博客文章、文章和营销文案
  • 视频内容：分析 YouTube 标题、描述和评论
  • 产品评价：Amazon、电商客户反馈
  • 新闻分析：文章分类、情感追踪
  • 客户反馈：分析支持工单、调查和评价

关键要求

传统 NLP 分析
pip install pandas numpy matplotlib seaborn nltk scikit-learn wordcloud
LLM 增强分析（可选）
pip install openai dashscope  # For OpenAI and Qwen API access
设置 NLTK 数据
import nltk
nltk.download('vader_lexicon')
nltk.download('punkt')
nltk.download('stopwords')

核心工作流

1. 数据准备

数据应包含：

  • 文本内容：要分析的主要文本（标题、描述、评论等）
  • 元数据：可选（作者、日期、类别、互动指标）
  • 多种语言：支持英语、中文和其他语言
2. 分析流程
  1. 文本预处理：清理、分词并规范化文本
  2. 情感分析：传统 VADER + LLM 增强分析
  3. 主题提取：TF-IDF 关键词 + LLM 语义主题
  4. 内容分类：自动分类和聚类
  5. 模式识别：识别病毒式传播内容的特征
  6. 洞察生成：提供可执行的建议
3. 输出成果
  • 包含置信度分数的情感分析报告
  • 主题模型和关键词提取结果
  • 内容分类结果
  • 病毒式传播内容模式分析
  • 优化建议

使用场景示例

社交媒体内容分析
# Analyze Twitter posts for brand sentiment
# Identify trending topics and hashtags
# Measure engagement patterns
YouTube 视频分析
# Analyze video titles and descriptions
# Extract topics from comments
# Identify viral content patterns
产品评价分析
# Analyze customer feedback sentiment
# Extract product feature mentions
# Identify improvement opportunities

关键分析方法

传统 NLP 技术
  • VADER 情感分析：基于规则的情感评分
  • TF-IDF 关键词提取：统计词语重要性
  • 文本聚类：K-means 和层次聚类
  • 词频分析：词语频率和共现分析
  • 语言检测：自动识别语言
LLM 增强分析
  • 上下文感知情感分析：细致理解情绪
  • 语义主题提取：基于含义识别主题
  • 内容摘要：自动生成文本摘要
  • 多语言支持：跨语言分析
  • 零样本分类：无需训练数据即可分类
高级分析
  • 时间序列分析：追踪内容趋势随时间的变化
  • 互动预测：预测病毒式传播潜力
  • 竞品分析：比较内容表现
  • 受众洞察：分析人口统计特征和偏好

可解答的常见业务问题

  1. 人们对我们品牌的整体情感如何？
  2. 我们所在行业有哪些热门话题？
  3. 什么因素能让内容病毒式传播？
  4. 情感如何因人口统计特征或地区而异？
  5. 客户如何评价我们的产品？
  6. 哪些内容格式表现最佳？

集成示例

请参阅 examples/ 目录，其中包含：

  • basic_content_analysis.py - 传统 NLP 分析
  • llm_enhanced_analysis.py - LLM 驱动的分析
  • social_media_analysis.py - 社交媒体专项分析
  • 用于测试的示例数据集

LLM 配置

支持的 LLM 提供商
  • OpenAI：GPT-3.5、GPT-4 模型
  • Qwen (通义千问)：针对中文优化的模型
  • 开源：通过 HuggingFace 使用本地模型
API 设置示例
# OpenAI Configuration
import openai
openai.api_key = 'your-api-key'

# Qwen Configuration
import dashscope
dashscope.api_key = 'your-api-key'

最佳实践

  1. 数据质量：确保文本数据干净且一致
  2. 抽样策略：为大模型分析使用具有代表性的样本
  3. 成本管理：平衡传统 NLP 与大模型调用
  4. 语言处理：配置合适的语言模型
  5. 验证：交叉验证情感分析结果
  6. 隐私：确保遵守数据保护法规

性能优化

对于大型数据集
  • 使用数据抽样进行大模型分析
  • 实施批处理
  • 尽可能缓存大模型响应
  • 使用传统 NLP 进行初步筛选
成本管理
  • 优先对重要内容进行大模型分析
  • 使用传统 NLP 进行批量处理
  • 实施智能抽样策略
  • 监控 API 使用情况和成本

高级功能

  • 实时分析：对实时内容进行流式处理
  • 多模态分析：文本 + 图像 + 视频内容
  • 自定义模型：针对特定领域微调模型
  • 集成 API：与内容管理系统连接
  • 自动报告：定期安排分析并生成报告

故障排除

常见问题
  1. 情感分析准确度低：检查语言设置和文本预处理
  2. API 成本高：优化抽样和缓存策略
  3. 处理速度慢：实施并行处理和批处理
  4. 语言支持：确保为非英语内容使用合适的模型
性能提示
  • 有效地预处理文本数据
  • 根据任务使用合适大小的模型
  • 实施结果缓存
  • 监控资源使用情况并进行优化

评论

支持 Markdown