Ух ты, отзывная классификация — это тебе не шутки! Помню ещё, когда эти сервисы только зарождались, вся эта NLP-магия была доступна лишь избранным гуру. А сейчас, гляди-ка, даже практиканты с ней носятся.

Слушай, а ты точно правильно данные готовишь? Ведь для классификации текстов, особенно такой тонкой, как оттенки мнений в отзывах, чистота и репрезентативность выборки — это половина успеха. Не бывает такого, чтобы модель сама по себе "фигню" выдавала, если её правильно научить.

Имхо, проблема может быть не в самой модели, а в том, как ты ее настраиваешь. Может, гиперпараметры не те? Или, что еще вероятнее, твоя размеченная база данных для обучения слишком мала или несбалансирована. Ведь если у тебя там 90% восторженных отзывов и 10% гневных, откуда ей взять "серединку"?

А ты пробовал использовать предобученные модели, например, из семейства BERT или GPT, и дообучать их уже на своих данных? Эторой, зачастую, куда более эффективный подход, чем пытаться построить что-то с нуля, особенно когда время поджимает. Да и текстовый анализ сейчас настолько продвинулся, что грех этим не пользоваться.

Кмк, стоит разобраться глубже в предобработке текста: очистка от шума, стемминг/лемматизация, удаление стоп-слов — все эти мелочи могут кардинально повлиять на результат. Ну и, конечно, выбор метрик для оценки качества классификации тоже важен. Без них ты просто не поймешь, где именно косячит твоя модель.