Stream API情感聚合关键在于可解释、可落地：文本→情绪标签→结构化指标，通过流式调用百度API打标、置信度过滤、多维分组聚合（品类/时间/图文）、缺陷词匹配及轻量EmotionSummary输出。
直接用Stream API对商品评价做情感极性聚合，关键不在“能不能跑通”，而在“怎么让结果可解释、可落地”。核心是把原始评论文本→情绪标签（正/负/中）→结构化聚合指标，全程避免中间数据膨胀或语义丢失。
先完成基础情绪打标：对接百度API+流式封装
不能把整批评论一次性塞给百度情绪识别API（有QPS和body size限制），得用Stream的惰性求值特性逐条处理：
- 用
map()把每条评论字符串包装成HTTP请求体，调用封装好的BaiduEmotionClient.analyze(text) - 返回结果统一转为
EmotionResult对象（含sentiment字段：0=消极，1=中性，2=积极；confidence置信度） - 加
filter(r -> r.confidence > 0.7)过滤低置信结果，避免噪声干扰后续聚合
按业务维度分组聚合：不只是简单count
单纯统计“正面评论多少条”意义有限。要结合商品属性做交叉分析：
- 用
Collectors.groupingBy(Review::getCategory, Collectors.summarizingInt(r -> r.getEmotion().getScore()))——按品类汇总情绪得分均值（比如手机类平均1.6，说明偏正面；充电宝类仅1.1，提示体验风险） - 用
Collectors.partitioningBy(r -> r.getCreatedAt().isAfter(LocalDate.now().minusDays(7)), Collectors.counting())——拆出近7天vs历史的情绪分布变化，快速定位突发差评 - 对带图评论单独标记：
review.isHasImage() ? "image_positive" : "text_only"，再分组统计——发现带图好评占比超80%时，说明视觉呈现效果真实有效
提取高信息密度特征：跳过无效聚合
原始评论里藏着具体问题点（如“电池掉电快”“包装盒破损”），光靠极性标签不够。需在Stream链路中嵌入关键词匹配逻辑：
- 定义高频缺陷词库：
Set<string> defectKeywords = Set.of("掉电", "发热", "卡顿", "漏液")</string> - 用
filter(r -> defectKeywords.stream().anyMatch(k -> r.getContent().contains(k)))筛出含缺陷描述的差评 - 再用
Collectors.groupingBy(r -> defectKeywords.stream().filter(k -> r.getContent().contains(k)).findFirst().orElse("other"))归类，直接输出各问题出现频次
最终输出轻量结构化结果
不返回原始评论列表，而是生成EmotionSummary对象：
- overallPolarity：加权平均分（正向评论×1 + 中性×0 + 消极×(-1)）
-
criticalIssueMap：Map
，如{"发热": 42L, "卡顿": 29L} - trendChange：近7天负面率环比变化（+15%表示恶化）
这个结果可直接喂给运营看板或触发告警，不需要再人工翻查原始数据。
