analyzing-twitter-sentiment-for-topic

Compare original and translation side by side

🇺🇸

Original

English

🇨🇳

Translation

Chinese

Analyzing Twitter Sentiment for a Topic

分析某话题的Twitter情绪

Collects a sample of tweets about any topic or keyword and performs sentiment analysis across the dataset. Identifies dominant emotional tone, key themes driving positive/negative sentiment, and volume patterns over time.

收集任意话题或关键词的推文样本，并对数据集进行情绪分析。识别主导情感基调、驱动正面/负面情绪的关键主题，以及推文数量随时间变化的模式。

Prerequisites

前提条件

```
APIFY_TOKEN
```
environment variable set
Optional: Apify MCP server installed

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

Inputs

输入参数

Parameter	Type	Required	Default	Notes
`searchTerms`	array	✅	`[]`	Twitter advanced search queries (e.g. `["#AI lang:en", "from:NASA"]` )
`sort`	string	Optional	`Top`	Sort order: `Latest` , `Top` , or `Latest+Top`
`tweetLanguage`	string	Optional	—	ISO 639-1 language code (e.g. `en` )
`maxItems`	number	Optional	Unlimited	Maximum tweets to return
`onlyVerifiedUsers`	boolean	Optional	`false`	Only tweets from verified users
`onlyTwitterBlue`	boolean	Optional	`false`	Only Twitter Blue subscribers
`onlyImage`	boolean	Optional	`false`	Only tweets with images
`onlyVideo`	boolean	Optional	`false`	Only tweets with videos
`onlyQuote`	boolean	Optional	`false`	Only quote tweets
`author`	string	Optional	—	Filter to a specific author handle
`inReplyTo`	string	Optional	—	Tweets replying to a specific handle
`mentioning`	string	Optional	—	Tweets mentioning a specific handle
`geotaggedNear`	string	Optional	—	Tweets near a location
`withinRadius`	string	Optional	—	Radius around geotaggedNear
`geocode`	string	Optional	—	Lat/lng + radius string
`placeObjectId`	string	Optional	—	Tweets tagged with a place
`minimumRetweets`	number	Optional	—	Minimum retweet count
`minimumFavorites`	number	Optional	—	Minimum like count
`minimumReplies`	number	Optional	—	Minimum reply count
`start`	string	Optional	—	Tweets after this date (YYYY-MM-DD)
`end`	string	Optional	—	Tweets before this date (YYYY-MM-DD)
`includeSearchTerms`	boolean	Optional	`false`	Add the matched search term to each tweet
`customMapFunction`	string	Optional	—	JavaScript function to transform each output object

参数	类型	是否必填	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` （最新）、 `Top` （热门）或 `Latest+Top` （最新+热门）
`tweetLanguage`	字符串	可选	—	ISO 639-1语言代码（例如： `en` ）
`maxItems`	数字	可选	无限制	返回的最大推文数量
`onlyVerifiedUsers`	布尔值	可选	`false`	仅返回认证用户的推文
`onlyTwitterBlue`	布尔值	可选	`false`	仅返回Twitter Blue订阅用户的推文
`onlyImage`	布尔值	可选	`false`	仅返回带图片的推文
`onlyVideo`	布尔值	可选	`false`	仅返回带视频的推文
`onlyQuote`	布尔值	可选	`false`	仅返回引用推文
`author`	字符串	可选	—	筛选特定作者的推文（需提供账号 handle）
`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	—	特定地点附近的推文
`withinRadius`	字符串	可选	—	`geotaggedNear` 参数指定地点的半径范围
`geocode`	字符串	可选	—	纬度/经度 + 半径的字符串
`placeObjectId`	字符串	可选	—	标记了特定地点的推文
`minimumRetweets`	数字	可选	—	最小转发量
`minimumFavorites`	数字	可选	—	最小点赞量
`minimumReplies`	数字	可选	—	最小回复量
`start`	字符串	可选	—	此日期之后的推文（格式：YYYY-MM-DD）
`end`	字符串	可选	—	此日期之前的推文（格式：YYYY-MM-DD）
`includeSearchTerms`	布尔值	可选	`false`	为每条推文添加匹配的搜索词
`customMapFunction`	字符串	可选	—	用于转换每个输出对象的JavaScript函数

Workflow

工作流程

Progress:
- [ ] Step 1: Define topic and sentiment scope
- [ ] Step 2: Collect tweets via search
- [ ] Step 3: Classify sentiment per tweet
- [ ] Step 4: Identify themes per sentiment bucket
- [ ] Step 5: Deliver sentiment report

进度：
- [ ] 步骤1：定义话题和情绪分析范围
- [ ] 步骤2：通过搜索收集推文
- [ ] 步骤3：对每条推文进行情绪分类
- [ ] 步骤4：按情绪类别识别主题
- [ ] 步骤5：交付情绪分析报告

Step 1: Clarify Parameters

步骤1：明确参数

Ask the user for:

Topic, keyword, or brand to analyze
Date range (default: last 7 days — Twitter sentiment data decays fast)
Language (default: English)
Sample size (default: 500 tweets — sufficient for reliable distribution)
Exclude retweets? (default: yes — reduces duplicated opinion signals)
Comparison topic (optional — for side-by-side sentiment comparison)

向用户确认以下信息：

要分析的话题、关键词或品牌
日期范围（默认：过去7天——Twitter情绪数据时效性强）
语言（默认：英语）
样本量（默认：500条推文——足以保证结果的可靠性）
是否排除转发？（默认：是——减少重复的意见信号）
对比话题（可选——用于情绪的对比分析）

Step 2: Collect Tweets

步骤2：收集推文

Recommended — run_actor.js (handles waiting, output, and file saving automatically):

bash

undefined

推荐方式 — 使用run_actor.js（自动处理等待、输出和文件保存）：

bash

undefined

Quick answer (prints table to chat)

快速输出（在聊天中打印表格）

node scripts/run_actor.js
--actor "apidojo~tweet-scraper"
--input '{"param": "value"}'

Save as CSV

保存为CSV文件

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

Save as JSON

保存为JSON文件

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

> `APIFY_TOKEN` must be set in environment or `.env` file.

**If Apify MCP is available:**

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


**REST API fallback:**
```bash
curl -X POST \
  "https://api.apify.com/v2/acts/apidojo~tweet-scraper/runs?token=$APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "searchTerms": ["[TOPIC_KEYWORD]"],
    "maxItems": 500,
    "tweetLanguage": "en",
    "since": "[YYYY-MM-DD]"
  }'

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

> 必须在环境变量或`.env`文件中设置`APIFY_TOKEN`。

**如果Apify MCP可用：**

工具: apify:run-actor Actor: "apidojo~tweet-scraper" 输入: { "searchTerms": ["[TOPIC_KEYWORD]"], "maxItems": 500, "tweetLanguage": "en", "since": "[YYYY-MM-DD]", "until": "[YYYY-MM-DD]" }


**REST API备选方案：**
```bash
curl -X POST \
  "https://api.apify.com/v2/acts/apidojo~tweet-scraper/runs?token=$APIFY_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "searchTerms": ["[TOPIC_KEYWORD]"],
    "maxItems": 500,
    "tweetLanguage": "en",
    "since": "[YYYY-MM-DD]"
  }'

Step 3: Classify Sentiment

步骤3：情绪分类

For each tweet's

text

, classify as Positive, Negative, or Neutral using lexical signals:

Positive indicators: love, great, amazing, perfect, best, win, excited, congrats, excellent, recommend, beautiful, proud, happy, thank, awesome, incredible Negative indicators: hate, awful, worst, terrible, broken, scam, disappointed, angry, frustrated, disgusted, avoid, never again, shame, sad, fail, wrong, bad Strong negative amplifiers: "can't believe", "what a joke", "are you serious", "wtf", "this is ridiculous" Neutral default: Everything else

For ambiguous cases, use emoji signals:

😍🥰❤️🙌👏✨🔥 → lean Positive
😡🤬😤💀🗑️🤢👎 → lean Negative
🤔😐🤷 → lean Neutral

Weight tweets by engagement: a tweet with 1,000 likes carries more signal than one with 0.

针对每条推文的

text

内容，通过词汇信号将其分类为正面、负面或中性：

正面指标： love、great、amazing、perfect、best、win、excited、congrats、excellent、recommend、beautiful、proud、happy、thank、awesome、incredible 负面指标： hate、awful、worst、terrible、broken、scam、disappointed、angry、frustrated、disgusted、avoid、never again、shame、sad、fail、wrong、bad 强负面强化词： "can't believe"、"what a joke"、"are you serious"、"wtf"、"this is ridiculous" 默认中性： 其他所有内容

对于模糊的情况，使用表情符号信号：

😍🥰❤️🙌👏✨🔥 → 倾向于正面
😡🤬😤💀🗑️🤢👎 → 倾向于负面
🤔😐🤷 → 倾向于中性

按互动量为推文加权：一条获得1000个点赞的推文比0点赞的推文更具信号价值。

Step 4: Theme Extraction

步骤4：主题提取

For Negative tweets: identify the top 3-5 recurring nouns/themes. What are people upset about specifically? For Positive tweets: identify the top 3-5 recurring praise themes.

Look for proper nouns (people, places, products), specific events, or feature names that appear repeatedly.

对于负面推文：识别出现次数最多的3-5个名词/主题。人们具体在不满什么？对于正面推文：识别出现次数最多的3-5个获赞主题。

寻找重复出现的专有名词（人物、地点、产品）、特定事件或功能名称。

Step 5: Format Report

步骤5：格式化报告

Output Format

输出格式

undefined

undefined

Twitter Sentiment Analysis: "[TOPIC]"

Twitter情绪分析："[TOPIC]"

Period: [DATE_RANGE] | Tweets analyzed: [N] | Date: [DATE]

时间段：[DATE_RANGE] | 分析推文数量：[N] | 日期：[DATE]

Overall Sentiment

整体情绪

████████████░░░░░░░░  Positive: [X%] ([N] tweets)
████░░░░░░░░░░░░░░░░  Negative: [X%] ([N] tweets)
██████████░░░░░░░░░░  Neutral:  [X%] ([N] tweets)

Weighted by engagement:

Positive sentiment accounts for [X%] of total likes/RTs
Negative sentiment accounts for [X%] of total likes/RTs

Overall verdict: [Mostly Positive / Mixed / Mostly Negative / Polarized]

████████████░░░░░░░░  正面：[X%]（[N]条推文）
████░░░░░░░░░░░░░░░░  负面：[X%]（[N]条推文）
██████████░░░░░░░░░░  中性：[X%]（[N]条推文）

按互动量加权：

正面情绪占总点赞/转发量的[X%]
负面情绪占总点赞/转发量的[X%]

整体结论： [以正面为主 / 混合 / 以负面为主 / 两极分化]

Top Negative Themes

Top Positive Themes

Most Engaged Tweets

互动量最高的推文

🔴 Most-liked negative: @[handle] ([N] likes): "[excerpt]" 🟢 Most-liked positive: @[handle] ([N] likes): "[excerpt]"

🔴 点赞最多的负面推文：@[handle]（[N]个点赞）："[节选]" 🟢 点赞最多的正面推文：@[handle]（[N]个点赞）："[节选]"

Volume Over Time

推文数量随时间变化

[Day 1]: [N] tweets | [Day 2]: [N] tweets | [Day 3]: [N] tweets

[第1天]：[N]条推文 | [第2天]：[N]条推文 | [第3天]：[N]条推文

Notable Spikes

显著峰值

[Date with highest volume] — [N] tweets | Likely cause: [describe if detectable from tweet context]

undefined

[推文数量最高的日期] — [N]条推文 | 可能原因：[根据推文上下文描述（如果可检测）]

undefined

Troubleshooting

故障排除

Sentiment feels inaccurate: Lexical analysis misses sarcasm. For high-stakes decisions, manually review the top 20 tweets per bucket. Topic too broad: Narrow the search term. "Apple" returns tech and food — use "Apple iPhone" instead. Very low tweet volume: Topic may not be actively discussed on Twitter right now. Expand date range.

情绪分析结果不准确： 词汇分析无法识别讽刺。对于高风险决策，请手动查看每个类别中排名前20的推文。 话题范围过广： 缩小搜索词范围。例如“Apple”会返回科技和食品相关内容——改用“Apple iPhone”。 推文数量极少： 该话题目前可能未在Twitter上被广泛讨论。扩大日期范围。