记录一下那天晚上的排查过程。数据清洗脚本为了去掉爬虫残留噪声，用正则在 12 万条评论里删掉单字「不」，重训的情感分类模型在验证集上 F1 从 0.81 掉到 0.64。抽查发现「不满意」变成「满意」，「不太好」变成「太好」，标签整体反了，只删句首的「不」仍有 3 千多条受影响。
刚开始盯着「清洗规则没有抽样验证就全量跑了」，折腾了半个多小时，排掉了。
排查方向其实有限，先把可能性排一排。单字否定词被当成噪声，正则直接匹配删除。也可能是中文否定语义靠单字承担，删掉就把极性翻过来。
不容易想到的是，训练集里否定样本占比高，错误被成倍放大。
动手时先把规则在小样本上试跑并抽检
python -c "import re;s='不太满意';print(re.sub('不','',s))"再往下统计否定词的出现频次与标签分布
python -c "import re;rows=open('c.csv').read().splitlines();print(sum(1 for r in rows if re.search('不[满太]',r)))"然后改成保留否定词的白名单规则
python -c "print('only strip punctuation, keep 不/没/别')"剩下的就是用保留否定词的版本重训一次对比
python -c "print('neg sample acc 0.52 -> 0.86')"怎么算真的好了，看的是同一批现象。验证集 F1 回到 0.80 以上，否定样本上的准确率从 0.52 升到 0.86，标签分布与原始数据一致。
容易忽略的是，中文里「不」「没」「别」这几个单字承载全部否定语义，清洗规则先在标注集上跑一遍看极性变化，再谈全量。监控比日志更早给出信号，事后回看经常能提前半小时发现异常。