مقدمه ای بر تحلیل احساسات: تحلیل احساسات چیست؟

این مقاله در ابتدا در وب سایت Algorithimia منتشر شده است. این شرکت در سال 2021 توسط DataRobot خریداری شد. این مقاله ممکن است کاملاً به‌روز نباشد یا به محصولات و پیشنهادهایی اشاره کند که دیگر وجود ندارند. اطلاعات بیشتر در مورد DataRobot MLOps را در اینجا بیابید.

تحلیل احساسات چیست؟

تجزیه و تحلیل احساسات فرآیند استفاده از پردازش زبان طبیعی، تجزیه و تحلیل متن و آمار برای تجزیه و تحلیل احساسات مشتری است. بهترین کسب و کارها احساسات مشتریان خود را درک می کنند - مردم چه می گویند، چگونه آن را بیان می کنند و منظورشان چیست. احساسات مشتری را می‌توان در توییت‌ها، نظرات، بررسی‌ها یا مکان‌های دیگری که افراد از برند شما نام می‌برند، پیدا کرد. تجزیه و تحلیل احساسات حوزه درک این احساسات با نرم افزار است و درک آن برای توسعه دهندگان و رهبران کسب و کار در یک محل کار مدرن ضروری است.

مانند بسیاری از زمینه‌های دیگر، پیشرفت‌ها در یادگیری عمیق، تحلیل احساسات را در پیش‌زمینه الگوریتم‌های پیشرفته قرار داده است. امروزه ما از پردازش زبان طبیعی، آمار و تجزیه و تحلیل متن برای استخراج و شناسایی احساسات کلمات به دسته های مثبت، منفی یا خنثی استفاده می کنیم.

تحلیل احساسات برای چه مواردی استفاده می شود؟

تجزیه و تحلیل احساسات برای نظارت بر برند

یکی از مستندترین کاربردهای تجزیه و تحلیل احساسات، دریافت یک نمای کامل 360 از نحوه مشاهده برند، محصول یا شرکت شما توسط مشتریان و سهامداران است. رسانه‌هایی که به‌طور گسترده در دسترس هستند، مانند بررسی‌های محصول و شبکه‌های اجتماعی، می‌توانند بینش‌های کلیدی را در مورد اینکه کسب‌وکار شما درست یا نادرست انجام می‌دهد، نشان دهد. شرکت‌ها همچنین می‌توانند از تحلیل احساسات برای اندازه‌گیری تأثیر یک محصول جدید، کمپین تبلیغاتی یا واکنش مصرف‌کننده به اخبار اخیر شرکت در رسانه‌های اجتماعی استفاده کنند. شرکت های خصوصی مانند Unamo این را به عنوان یک سرویس ارائه می دهند.

تجزیه و تحلیل احساسات برای خدمات مشتری

نمایندگان خدمات مشتری اغلب از تجزیه و تحلیل احساسات یا قصد استفاده می کنند تا به طور خودکار ایمیل های کاربر دریافتی را بر اساس احساسات ایمیل به سطل های "فوری" یا "غیر فوری" مرتب کنند و به طور فعال کاربران ناامید را شناسایی کنند. سپس نماینده وقت خود را به سمت حل و فصل کاربرانی که فوری ترین نیازها را دارند هدایت می کند. همانطور که خدمات مشتری از طریق یادگیری ماشینی خودکارتر می شود، درک احساسات و هدف یک مورد خاص اهمیت فزاینده ای پیدا می کند.

تجزیه و تحلیل احساسات برای تحقیق و تحلیل بازار

تجزیه و تحلیل احساسات در هوش کسب و کار برای درک دلایل ذهنی که مصرف کنندگان یا پاسخ دادن به چیزی پاسخ نمی دهند استفاده می شود (E. X. چرا مصرف کنندگان یک محصول را خریداری می کنند؟ فکر می کنند که در مورد تجربه کاربر چیست؟ آیا پشتیبانی از خدمات مشتری انتظارات خود را برآورده می کند؟). تجزیه و تحلیل احساسات همچنین می تواند در زمینه های علوم سیاسی ، جامعه شناسی و روانشناسی برای تجزیه و تحلیل روندها ، تعصب ایدئولوژیک ، نظرات ، واکنشهای سنج و غیره مورد استفاده قرار گیرد.

بسیاری از این برنامه ها در حال حاضر در حال اجرا هستند. بینگ اخیراً تجزیه و تحلیل احساسات را در محصول پاسخ های چند ساله خود یکپارچه کرده است. صندوق های پرچین تقریباً مطمئناً از این فناوری برای پیش بینی نوسانات قیمت بر اساس احساسات عمومی استفاده می کنند. و شرکت هایی مانند Callminer تجزیه و تحلیل احساسات را برای تعامل مشتری به عنوان یک سرویس ارائه می دهند.

چالش های تحلیل احساسات

تجزیه و تحلیل احساسات به مجموعه مشابهی از مشکلات همانطور که تشخیص احساسات انجام می دهد - قبل از تصمیم گیری در مورد احساسات یک جمله معین ، باید بفهمیم که "احساسات" در وهله اول چیست. آیا این طبقه بندی است و احساسات را می توان به سطل های واضح مانند شاد ، غمگین ، عصبانی یا حوصله تقسیم کرد؟یا آیا این ابعاد است و احساسات باید بر روی نوعی طیف دو جهته ارزیابی شود؟

علاوه بر مشکل تعریف ، در هر جمله تولید شده توسط انسان ، لایه های مختلفی از معنی وجود دارد. مردم به روشهای پیچیده ای اظهار نظر می کنند. دستگاه های بلاغی مانند طعنه ، طعنه و معنی ضمنی می توانند تجزیه و تحلیل احساسات را گمراه کنند. تنها راه درک واقعی این دستگاه ها از طریق متن است: دانستن چگونگی شروع یک پاراگراف می تواند به شدت بر احساسات جملات داخلی بعدی تأثیر بگذارد.

بیشتر تفکر فعلی در تجزیه و تحلیل احساسات در یک چارچوب طبقه بندی اتفاق می افتد: احساسات به عنوان متعلق به یک سطل خاص ، تا حدی مورد تجزیه و تحلیل قرار می گیرد. به عنوان مثال ، یک جمله معین ممکن است 45 ٪ خوشحال ، 23 ٪ غمگین ، 89 ٪ هیجان زده و 55 ٪ امیدوار باشد. این شماره ها به 100 اضافه نمی شوند - آنها نشانه های فردی در مورد چگونگی "X" احساسات یک جمله هستند.

برای پرداختن به موضوع زمینه ، بسیاری از تحقیقات پیرامون تجزیه و تحلیل احساسات بر مهندسی ویژگی ها متمرکز شده است. ایجاد ورودی به مدلی که زمینه ، لحن و نشانه های قبلی از احساسات را به رسمیت می شناسد می تواند به افزایش دقت کمک کرده و به طور کلی بهتر از آنچه نویسنده در تلاش است بگوید. برای مثال جالب ، این مقاله را در سیستم های دانش مبتنی بر بررسی کنید که چارچوبی را برای این نوع تمرکز متنی بررسی می کند. موتورهای جستجو همچنین از یک تکنیک مشابه به نام جستجوی معنایی استفاده می کنند که هدف و معنای متنی اصطلاحات جستجوی کاربران را تعیین می کند.

سرانجام ، یک چالش دیگر در تجزیه و تحلیل احساسات تصمیم گیری در مورد نحوه آموزش مدل مورد نظر برای استفاده است. تعدادی از مدل های از قبل آموزش دیده برای استفاده در زبانهای علوم داده محبوب در دسترس است. به عنوان مثال ، TextBlob یک API ساده برای تجزیه و تحلیل احساسات در پایتون ارائه می دهد ، در حالی که بسته Syuzhet در R برخی از تحقیقات را از گروه NLP در استنفورد پیاده سازی می کند.

این ماژول ها می توانند به شما کمک کنند سریع از زمین خارج شوید ، اما برای بهترین نتایج بلند مدت می خواهید مدل های خود را آموزش دهید. دسترسی به داده های آموزشی دارای برچسب برای تجزیه و تحلیل احساسات می تواند دشوار باشد ، اما ساخت مدل هایی که برای مورد استفاده خاص شما کار می کنند مهم است. شما ممکن است یک گردش کار را در جایی که داده های اختصاصی خود را جمع آوری می کنید (E. X. مکالمات خدمات مشتری) انجام دهید و از خدماتی مانند Crowdflower برای برچسب زدن و تهیه آن استفاده کنید.

تجزیه و تحلیل احساسات چگونه انجام می شود؟

تجزیه و تحلیل احساسات با استفاده از الگوریتم هایی انجام می شود که از تجزیه و تحلیل متن و پردازش زبان طبیعی برای طبقه بندی کلمات به عنوان مثبت ، منفی یا خنثی استفاده می شوند. این امر به شرکتها اجازه می دهد تا از نحوه احساس مشتریان خود نسبت به این برند ، نمای کلی کسب کنند.

الگوریتم های تجزیه و تحلیل احساسات

الگوریتم چندین الگوریتم تحلیل قدرتمند قدرتمند را برای توسعه دهندگان فراهم می کند. اجرای تجزیه و تحلیل احساسات در برنامه های شما به سادگی فراخوانی API REST ما است. هیچ سرور برای تنظیم یا تنظیمات برای پیکربندی وجود ندارد. از تجزیه و تحلیل احساسات می توان برای تجزیه و تحلیل سریع متن مقالات تحقیقاتی ، مقالات خبری ، پست های رسانه های اجتماعی مانند توییت و موارد دیگر استفاده کرد.

تجزیه و تحلیل احساسات اجتماعی الگوریتمی است که برای تجزیه و تحلیل احساسات محتوای رسانه های اجتماعی ، مانند توییت و به روزرسانی وضعیت تنظیم شده است. این الگوریتم رشته ای می گیرد و رتبه احساسات را برای "مثبت" ، "منفی" و "خنثی" برمی گرداند. علاوه بر این ، این الگوریتم یک نتیجه مرکب را ارائه می دهد ، که احساسات کلی کلی رشته است.

مثال ورودی:

مثال خروجی:

Algorithmia همچنین دارای یک الگوریتم تجزیه و تحلیل احساسات چند منظوره و انعطاف پذیر است که برای متون عمومی تر مانند کتاب، مقاله یا رونوشت عالی است. این الگوریتم مبتنی بر جعبه ابزار Stanford CoreNLP است. برای شروع، می‌توانید 10 هزار اعتبار از طریق تحلیل احساسات کد دعوت دریافت کنید.

این الگوریتم یک رشته ورودی می گیرد و یک رتبه از 0 تا 4 را برمی گرداند، که مطابق با احساسات بسیار منفی، منفی، خنثی، مثبت یا بسیار مثبت است.

مثال ورودی:

مثال خروجی:

علاوه بر این، Algorithmia یک الگوریتم Sentiment By Term ارائه می‌کند، که یک سند را تجزیه و تحلیل می‌کند و سعی می‌کند احساسات مجموعه‌ای از اصطلاحات را پیدا کند. این الگوریتم با در نظر گرفتن یک رشته، فهرستی از اصطلاحات کار می کند و سپس سند را به جملات تقسیم می کند و میانگین احساس هر عبارت را محاسبه می کند. این الگوریتم زمانی قدرتمند می‌شود که با الگوریتم‌های برچسب‌گذاری خودکار، مانند الگوریتم‌های LDA، URL Auto-Tag یا Named Entity Recognition ترکیب شود.

مثال ورودی:

مثال خروجی:

منابع اضافی تجزیه و تحلیل احساسات

خواندن

مقدمه ای بر تجزیه و تحلیل احساسات (MeaningCloud) - "در دهه گذشته، تجزیه و تحلیل احساسات (SA)، همچنین به عنوان نظر کاوی شناخته می شود، توجه فزاینده ای را به خود جلب کرده است. این یک چالش سخت برای فناوری های زبان است و دستیابی به نتایج خوب بسیار دشوارتر از آن چیزی است که برخی افراد فکر می کنند. وظیفه طبقه بندی خودکار متن نوشته شده به زبان طبیعی به یک احساس، نظر یا ذهنیت مثبت یا منفی (پانگ و لی، 2008)، گاهی آنقدر پیچیده است که حتی حاشیه نویسان مختلف انسانی در مورد طبقه بندی که باید به یک متن اختصاص داده شود، اختلاف نظر دارند..”

اسلایدهای تحلیل احساسات (EMP LCT) - "انسانها موجوداتی ذهنی هستند و نظرات مهم هستند. توانایی تعامل با افراد در آن سطح مزایای زیادی برای سیستم های اطلاعاتی دارد.

نظرات مثبت؟: طبقه‌بندی احساسات با استفاده از تکنیک‌های یادگیری ماشین (کاغذ) - ما مشکل طبقه‌بندی اسناد را نه بر اساس موضوع، بلکه بر اساس احساسات کلی در نظر می‌گیریم، به عنوان مثال، تعیین مثبت یا منفی بودن یک بررسی. با استفاده از بررسی فیلم به عنوان داده، متوجه می‌شویم که تکنیک‌های یادگیری ماشین استاندارد به طور قطعی از خطوط پایه تولید شده توسط انسان بهتر عمل می‌کنند. با این حال، سه روش یادگیری ماشینی که ما استفاده کردیم (بی‌های ساده، طبقه‌بندی حداکثر آنتروپی، و ماشین‌های بردار پشتیبان) در طبقه‌بندی احساسات به خوبی طبقه‌بندی مبتنی بر موضوع سنتی عمل نمی‌کنند.”

نظر معدن و تجزیه و تحلیل احساسات (مقاله)-"بخش مهمی از رفتار جمع آوری اطلاعات ما همیشه این بوده است که دریابیم که دیگران چه فکر می کنند. با افزایش در دسترس بودن و محبوبیت منابع غنی از نظرات مانند سایت های بررسی آنلاین و وبلاگ های شخصی ، فرصت ها و چالش های جدید به عنوان افراد ممکن است و انجام می دهند ، و به طور فعال از فناوری های اطلاعاتی برای جستجوی و درک نظرات دیگران استفاده می کنند. فوران ناگهانی فعالیت در حوزه نظر معدن و تجزیه و تحلیل احساسات ، که به درمان محاسباتی نظر ، احساسات و ذهنیت در متن می پردازد ، بنابراین حداقل تا حدودی به عنوان یک پاسخ مستقیم به افزایش علاقه به سیستم های جدید رخ داده است. که مستقیماً با عقاید به عنوان یک شیء درجه یک معامله می شود."

نمایشی و آموزش

علوم داده 101: تجزیه و تحلیل احساسات در آموزش R (Kaggle) - "به Data Science 101 خوش آمدید! آیا داده های متنی دارید؟آیا می خواهید بفهمید که آیا نظرات بیان شده در آن مثبت است یا منفی؟سپس به جای مناسب آمده اید! امروز ، ما می خواهیم شما را در تجزیه و تحلیل احساسات سرعت بگیریم."

یادگیری عمیق برای تجزیه و تحلیل احساسات (استنفورد) - "این وب سایت یک نسخه ی نمایشی زنده را برای پیش بینی احساسات بررسی فیلم فراهم می کند. در مقابل ، مدل جدید یادگیری عمیق ما در واقع نمایشی از جملات کامل را بر اساس ساختار جمله ایجاد می کند. همچنین می توانید Stanford Sentiment Treebank را مرور کنید ، مجموعه داده ای که این مدل در آن آموزش داده شده است."

ایجاد یک مدل تجزیه و تحلیل احساسات (Google) - "این سند نحوه ایجاد یک مدل تجزیه و تحلیل احساسات اساسی را با استفاده از API Google Prediction توضیح می دهد. از یک مدل تجزیه و تحلیل احساسات برای تجزیه و تحلیل رشته متن و طبقه بندی آن با یکی از برچسب هایی که ارائه می دهید استفاده می شود. به عنوان مثال ، شما می توانید یک توییت را برای تعیین مثبت یا منفی تجزیه و تحلیل کنید ، یا یک ایمیل را تجزیه و تحلیل کنید تا مشخص شود که آیا این خوشحال ، ناامید یا غم انگیز است."

تجزیه و تحلیل احساسات توییتر با استفاده از پایتون (Geeksforgeeks) - "تجزیه و تحلیل احساسات فرآیند" محاسباتی "است که تعیین می کند یک قطعه از نوشتن مثبت ، منفی یا خنثی است. همچنین به عنوان معدن نظر شناخته می شود ، و نظر یا نگرش یک گوینده را به دست می آورد."

دوره ها و سخنرانی ها

استخراج متن ، خراش و تجزیه و تحلیل احساسات با R (udemy) - "دوره او به شما هر آنچه را که باید در مورد نحوه مدیریت داده های رسانه های اجتماعی در R. بدانید به شما می آموزد. ما از داده های توییتر به عنوان مجموعه داده نمونه خود استفاده خواهیم کرد. در این دوره ما در کل فرآیند تحلیل متن داده های توییتر قدم می زنیم."

تجزیه و تحلیل احساسات در R: The Tidy Way (DataCamp) - "مجموعه داده های متن متنوع و همه جا هستند ، و تجزیه و تحلیل احساسات رویکردی را برای درک نگرش و نظرات بیان شده در این متون فراهم می کند. در این دوره ، مهارت های استخراج متن خود را با استفاده از اصول داده مرتب توسعه خواهید داد. شما این مهارت ها را با انجام تجزیه و تحلیل احساسات در چندین مطالعه موردی ، در داده های متن از توییتر گرفته تا اخبار تلویزیون گرفته تا شکسپیر به کار می برید. "

معدن و تجزیه و تحلیل متن (Coursera ، دانشگاه ایلینویز) - "تجزیه و تحلیل دقیق داده های متن نیاز به درک متن زبان طبیعی دارد ، که شناخته شده است که برای رایانه ها کار دشواری است. با این حال ، تعدادی از رویکردهای آماری نشان داده شده است که برای تجزیه و تحلیل "کم عمق" اما قوی از داده های متن برای یافتن الگوی و کشف دانش خوب کار می کند. شما مفاهیم ، اصول و الگوریتم های اصلی را در استخراج متن و کاربردهای بالقوه آنها یاد خواهید گرفت."

کتاب

تجزیه و تحلیل احساسات: نظرات معدن ، احساسات و احساسات (بینگ لیو) - "تجزیه و تحلیل احساسات مطالعه محاسباتی نظرات ، احساسات ، احساسات و نگرش افراد است. این مشکل جذاب در تجارت و جامعه به طور فزاینده ای اهمیت دارد. این چالش های تحقیقاتی بی شماری را ارائه می دهد اما نوید بینش را برای هر کسی که علاقه مند به تجزیه و تحلیل عقاید و تحلیل رسانه های اجتماعی باشد ، مفید است. این کتاب مقدمه ای جامع در مورد موضوع از دیدگاه اصلی پردازش به زبان طبیعی ارائه می دهد تا به خوانندگان کمک کند ساختار اساسی مسئله و ساختارهای زبانی را که معمولاً برای بیان عقاید و احساسات استفاده می شود ، درک کنند. "

استخراج وب اجتماعی: داده کاوی فیس بوک ، توییتر ، LinkedIn ، Google+ ، GitHub و موارد دیگر (اوریلی) - "چگونه می توانید به ثروت داده های وب اجتماعی ضربه بزنید تا کشف کنید چه کسی با چه کسی ارتباط برقرار می کند ، چه چیزی صحبت می کنددر مورد ، و آنها در کجا واقع شده اند؟با استفاده از این نسخه گسترده و کاملاً اصلاح شده ، شما می آموزید که چگونه داده ها را از همه گوشه های وب اجتماعی ، از جمله فیس بوک ، توییتر ، LinkedIn ، Google+ ، GitHub ، ایمیل ، وب سایت ها و وبلاگ ها به دست آورید ، تجزیه و تحلیل و خلاصه کنید. "

تجزیه و تحلیل احساسات در شبکه های اجتماعی (مورگان کافمن) - "تجزیه و تحلیل احساسات در شبکه های اجتماعی با مروری بر آخرین روند تحقیقاتی در این زمینه آغاز می شود. سپس در مورد فرایندهای جامعه شناختی و روانی اساسی در تعامل شبکه های اجتماعی بحث می کند. این کتاب به بررسی مدل ها و روش های یادگیری معنایی و ماشین می پردازد که به متن وابسته به متن و پویا در شبکه های اجتماعی آنلاین می پردازند ، نشان می دهد که چگونه جریان های شبکه های اجتماعی به دلیل ماهیت بزرگ ، کوتاه ، پر سر و صدا ، وابسته به متن و پویا ، چالش های بی شماری را مطرح می کنند."

تجزیه و تحلیل متن عملی: تفسیر متن و داده های بدون ساختار برای هوش تجاری (علوم بازاریابی) - "ایجاد شکاف بین بازاریاب که باید تجزیه و تحلیل متن را برای استفاده و کارشناسان تجزیه و تحلیل داده ها قرار دهد ، تجزیه و تحلیل متن عملی یک راهنمای در دسترس برای پیشرفت های بسیاری در تجزیه و تحلیل متن استواداین روشها و روشهای مختلف ، کاربردهای آنها ، نقاط قوت و ضعف را به روشی که مربوط به متخصصان بازاریابی باشد ، توضیح می دهد. هر فصل شامل تصاویر و نمودارها ، نکات و نکات ، نشانگرها در مورد ابزارها و تکنیک ها ، تعاریف و مطالعات/نمونه ها است."