पारंपरिक sentiment analysis में feature-engineered classifiers (bag-of-words + logistic regression, lexicon-आधारित दृष्टिकोण) का उपयोग होता था। ये सरल मामलों में काम करते थे लेकिन व्यंग्य ("अरे वाह, एक और देरी"), अंतर्निहित भावना ("बैटरी दो घंटे चली"), और क्षेत्र-विशिष्ट भाषा पर विफल होते थे। आधुनिक दृष्टिकोण fine-tuned BERT या LLM-आधारित वर्गीकरण का उपयोग करते हैं, जो संदर्भ समझकर इन बारीकियों को बेहतर तरीके से संभालते हैं।
वास्तविक समीक्षाओं में अक्सर मिश्रित भावनाएँ होती हैं: "कैमरा उत्कृष्ट है लेकिन बैटरी निराशाजनक है।" Aspect-based sentiment analysis पहलुओं (कैमरा, बैटरी) की पहचान करता है और प्रत्येक को स्वतंत्र रूप से भावना प्रदान करता है। यह उत्पाद टीमों के लिए समग्र भावना से अधिक उपयोगी है क्योंकि यह विशेष रूप से बताता है कि क्या सुधार की आवश्यकता है। आधुनिक LLMs इसे structured output के माध्यम से स्वाभाविक रूप से संभालते हैं — "इस समीक्षा से पहलू और उनकी भावनाएँ निकालें।"
Sentiment analysis के लिए आपके पास तीन विकल्प हैं: (1) fine-tuned छोटा मॉडल (तेज, सस्ता, उच्च-मात्रा के लिए अच्छा), (2) zero-shot LLM prompt (लचीला, edge cases संभालता है, अधिक महंगा), या (3) API सेवा (Google NLP, AWS Comprehend)। अधिकांश नई परियोजनाओं के लिए, LLM prompt से शुरू करना और मात्रा बढ़ने पर fine-tuned मॉडल पर स्विच करना व्यावहारिक दृष्टिकोण है।