在做电商评论分析项目时，我发现了一个 80/20 法则的极端版本：按信息密度对用户评论进行分级后，A 级评论（包含结构化的使用场景、具体的产品问题描述、明确的改进建议）只占总评论量的约 3%，但这 3% 贡献了 80% 的可执行产品改进线索。

我把评论分为四个密度等级。D 级是纯噪音：「好评」「不错」「还行」——零信息量，约占 55%。C 级是情感表达：「质量很好，喜欢」「颜色有色差，不满意」——有情感倾向但缺乏具体信息，约占 25%。B 级是描述性反馈：「用了一个月，拉链有点松」——有具体细节但缺乏场景和建议，约占 17%。A 级是完整的使用报告：「作为通勤包使用两个月，侧袋放水杯时因为深度不够经常掉出来，建议加深 2cm 或增加弹性收口」——场景+问题+建议，信息密度极高。

工程实现上，我使用了 Hu & Liu 的 aspect-based 情感分析框架作为基础，但增加了信息密度评分层。关键特征不是情感极性（正面/负面），而是信息结构：是否包含使用场景？是否有量化描述？是否提供了因果解释？是否包含可操作建议？这四个维度的组合得分决定了评论的密度等级。对产品团队而言，这意味着他们不再需要人工翻阅数千条评论——系统自动过滤出最有价值的 3%，每条都附带结构化的 insight 标签。这个方法后来也被应用到了客服工单、用户反馈表等场景中。