monitoring-brand-mentions-on-twitter

监测 Twitter 上的品牌提及

收集指定日期范围内 Twitter/X 上提及品牌、产品或关键词的所有公开推文。按情感倾向分组，列出主要投诉和赞扬，并汇总互动数据。

前提条件

• 已设置 APIFY_TOKEN 环境变量
• 可选：已安装 Apify MCP 服务

输入

参数	类型	必填	默认值	说明
searchTerms	数组	✅	[]	Twitter 高级搜索查询（例如 ["#AI lang:en", "from:NASA"]）
sort	字符串	可选	Top	排序方式：Latest、Top 或 Latest+Top
tweetLanguage	字符串	可选	—	ISO 639-1 语言代码（例如 en）
maxItems	数字	可选	不限	返回的推文数量上限
onlyVerifiedUsers	布尔值	可选	false	仅包含已认证用户发布的推文
onlyTwitterBlue	布尔值	可选	false	仅包含 Twitter Blue 订阅用户发布的推文
onlyImage	布尔值	可选	false	仅包含带图片的推文
onlyVideo	布尔值	可选	false	仅包含带视频的推文
onlyQuote	布尔值	可选	false	仅包含引用推文
author	字符串	可选	—	筛选特定作者账号发布的推文
inReplyTo	字符串	可选	—	回复特定账号的推文
mentioning	字符串	可选	—	提及特定账号的推文
geotaggedNear	字符串	可选	—	指定地点附近的推文
withinRadius	字符串	可选	—	geotaggedNear 周边半径
geocode	字符串	可选	—	纬度/经度与半径字符串
placeObjectId	字符串	可选	—	标记了地点的推文
minimumRetweets	数字	可选	—	最低转推数
minimumFavorites	数字	可选	—	最低点赞数
minimumReplies	数字	可选	—	最低回复数
start	字符串	可选	—	此日期之后的推文（YYYY-MM-DD）
end	字符串	可选	—	此日期之前的推文（YYYY-MM-DD）
includeSearchTerms	布尔值	可选	false	在每条推文中添加匹配的搜索词
customMapFunction	字符串	可选	—	用于转换每个输出对象的 JavaScript 函数

工作流

Progress:
- [ ] Step 1: Define brand terms and date range
- [ ] Step 2: Run tweet-scraper
- [ ] Step 3: Retrieve dataset
- [ ] Step 4: Classify sentiment (positive/negative/neutral)
- [ ] Step 5: Deliver structured report

步骤 1：明确参数

向用户询问：

• 品牌词 — 品牌名称、账号、产品名称、话题标签及常见拼写错误。整理成列表。 示例：["@Nike", "Nike", "#Nike", "Nike shoes"]
• 日期范围 — 例如“过去 7 天”或具体日期
• 排除转推？（默认：是 — 过滤噪声）
• 最低互动量（可选 — 例如仅包含获赞 ≥10 次的推文）
• 语言（默认：全部）

步骤 2：运行 tweet-scraper

对每个主要搜索词各运行一次，以尽可能扩大覆盖范围。之后合并结果。

推荐 — run_actor.js（自动处理等待、输出和文件保存）：

# Quick answer (prints table to chat)
node scripts/run_actor.js \
  --actor "apidojo~tweet-scraper" \
  --input '{"param": "value"}'

# Save as CSV
node scripts/run_actor.js \
  --actor "apidojo~tweet-scraper" \
  --input '{"param": "value"}' \
  --output YYYY-MM-DD_results.csv --format csv

# Save as JSON
node scripts/run_actor.js \
  --actor "apidojo~tweet-scraper" \
  --input '{"param": "value"}' \
  --output YYYY-MM-DD_results.json --format json

必须在环境或 .env 文件中设置 APIFY_TOKEN。

如果 Apify MCP 可用：

Tool: apify:run-actor
Actor: "apidojo~tweet-scraper"
Input:
{
  "searchTerms": ["[BRAND_TERM]"],
  "maxItems": 500,
  "includeReplies": true,
  "tweetLanguage": "en",
  "since": "[YYYY-MM-DD]",
  "until": "[YYYY-MM-DD]"
}

如果 Apify MCP 不可用：

curl -X POST \
  "https://api.apify.com/v2/acts/apidojo~tweet-scraper/runs?token=$APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "searchTerms": ["[BRAND_TERM]"],
    "maxItems": 500,
    "includeReplies": true,
    "since": "[YYYY-MM-DD]",
    "until": "[YYYY-MM-DD]"
  }'

对列表中的每个品牌词运行。等待状态变为 SUCCEEDED，然后收集所有结果。

步骤 3：获取并合并结果

curl "https://api.apify.com/v2/actor-runs/$RUN_ID/dataset/items?token=$APIFY_TOKEN"

合并所有运行生成的数据集。按推文 id 去重。结果：包含所有提及的统一列表。

步骤 4：对情感倾向进行分类

对每条推文的 text 字段进行简单分类：

**正面信号：**类似 "love"、"great"、"amazing"、"best"、"recommend"、"thank"、"perfect" 的词 **负面信号：**类似 "hate"、"awful"、"broken"、"scam"、"worst"、"never again"、"disappointed"、"avoid" 的词 **中性：**其他所有内容（公告、新闻、问题）

将推文分为三个类别：正面、负面、中性。

找出互动量最高的 5 条负面推文（这些内容需要优先回应）。 找出互动量最高的 5 条正面推文（可考虑转推或用作用户评价素材）。

步骤 5：整理报告

使用下方的输出模板。

输出格式

# Brand Mention Report: [BRAND]
Period: [START_DATE] – [END_DATE] | Total mentions: [N] | Analyzed: [DATE]

## Sentiment Summary
| Sentiment | Count | % of Total | Avg Engagement |
|-----------|-------|------------|----------------|
| Positive  | [N]   | [X%]       | [likes+RT avg] |
| Negative  | [N]   | [X%]       | [likes+RT avg] |
| Neutral   | [N]   | [X%]       | [likes+RT avg] |

## 🔴 Top Negative Mentions (Action Required)
1. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]
2. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]
3. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]

## 🟢 Top Positive Mentions (Amplify These)
1. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]
2. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]
3. @[handle] ([likes] likes): "[tweet text excerpt]" → [url]

## Volume Over Time
[Day 1]: [N] mentions | [Day 2]: [N] mentions | [Day 3]: [N] mentions...

## Key Themes in Negative Mentions
- [Theme 1]: [N] tweets (e.g., "shipping delays")
- [Theme 2]: [N] tweets (e.g., "customer service")

## Key Themes in Positive Mentions
- [Theme 1]: [N] tweets
- [Theme 2]: [N] tweets

故障排除

热门品牌的结果过多： 将 minLikes 筛选条件提高到 5 或 10，以聚焦于有影响力的提及。 缺少提及： Twitter 搜索 API 的免费套餐仅支持回溯约 7-10 天。要获取历史数据，请缩短日期范围。 情感分类错误： 关键词匹配很难识别讽刺——请标记互动度高的推文以供人工审核。