سه روش تجزیه و تحلیل احساسات متنی - و چرا ما بهتر است

تجزیه و تحلیل احساسات یک توانایی اصلی تجزیه و تحلیل متن است که هر سازمان برای ایجاد مارک های قوی و حتی روابط قوی تر با مصرف کنندگان باید به آن تسلط یابد. طبقه بندی نظرات مصرف کننده با احساسات چند سال است که انجام می شود ، اما این کار به ظاهر ساده چیزی جز این است.

با کمال تعجب ، بسیاری از سازمان ها و سیستم های تحلیلی متن هنوز هم از ساده ترین و محدود ترین رویکرد برای طبقه بندی احساسات استفاده می کنند. در اینجا چگونگی کار سه مورد از متداول ترین تکنیک های تجزیه و تحلیل احساسات - و اینکه چرا همه آنها در تولید بینش های عملی ناکام هستند ، آورده شده است.

1. طبقه بندی مبتنی بر کلمه (با نام مستعار کلمه)

ساده ترین رویکرد برای طبقه بندی احساسات ، اختصاص کلمات یک مقدار مثبت یا منفی است که به آن وزن احساسات گفته می شود. سپس هر کلمه (های) را در یک نظر مصرف کننده که ممکن است مهم باشد ، شناسایی می کنید و به سادگی وزن احساسات هر کلمه را برای تعیین نمره احساسات نظر اضافه می کنید.

تفسیر نتایج می تواند مبهم باشد

توجه کنید که طبقه بندی مبتنی بر کلمه در واقع احساسات را مشخص نمی کند. این روش به یک فرهنگ لغت با دقت کنترل شده کلمات و وزن بستگی دارد. نمره حاصل نیاز به تفسیر زیادی دارد و می تواند با نظرات طولانی تر تحت تأثیر قرار گیرد (کلمات بیشتر می توانند با نمرات اغراق آمیز برابر باشند). تفاوت معنی داری بین نمره احساسات 8 و 5 تعریف نشده است. در حالی ک ه-1 به نظر می رسد احساسات منفی را نشان می دهد ، هنوز هم در متن کاملاً مثبت است. علاوه بر این ، تغییر جزئی در وزن فرهنگ لغت می تواند نتیجه بسیار متفاوتی ایجاد کند.

تکنیک هایی برای رفع برخی از این نگرانی ها وجود دارد. برخی از سیستم ها وزن را به عبارات دو یا سه کلمه ای اختصاص می دهند ، نه فقط کلمات فردی. در حالی که این یک پیشرفت نسبت به وزن یک کلمه است ، یک فرهنگ لغت بسیار بزرگتر از کلمات و عبارات را معرفی می کند که باید با دقت بر اساس استفاده از آن تنظیم شود. در نهایت ، این تکنیک هنوز هم می تواند در سناریوهای محدود مفید باشد اما در معرض خطا است و میزان بالایی از تفسیر را متحمل می شود.

2. طبقه بندی مبتنی بر قانون

رویکردهای مبتنی بر قانون برای طبقه بندی احساسات در اکثر ابزارهای تحلیلی متن برای سالها استفاده شده است. این رویکرد با معرفی قوانین پردازش زبان طبیعی (NLP) برای بهبود کیفیت نتایج ، بر اساس تکنیک کلمه لکه بینی بنا شده است. قوانین معمولاً چیزی شبیه به:

• همیشه در نزدیکی مودب = مثبت (+2): وقتی کلمه "همیشه" در نزدیکی کلمه "مودب" است ، این ترکیب در 2 ارزش دارد.
• نه نزدیک همیشه NEAR مودب = منفی (-2): وقتی کلمه "نه" نزدیک کلمات "همیشه" و "مودب" باشد، این عبارت 2- ارزش دارد.

سیستم های تجزیه و تحلیل متن با استفاده از رویکرد مبتنی بر قانون می توانند به سرعت صدها، هزاران یا حتی میلیون ها نظر مصرف کننده را پردازش کنند. این روش می تواند کار دستی را کاهش دهد اگر نگرانی های مربوط به دقت درک و نظارت شود.

قوانین باید نظارت و حفظ شوند

رویکردهای مبتنی بر قانون بسیار قدرتمندتر از شناسایی کلمات ساده هستند، اما به تلاش قابل توجهی برای تنظیم قوانین نیاز دارند. شرکت های تجزیه و تحلیل متن اغلب مجموعه های از پیش ساخته ای از این قوانین را برای کمک به سازمان ها برای شروع کار دارند. با این حال، برای حفظ دقت، این سیستم ها نیاز به تنظیم دقیق برای هر مورد استفاده دارند تا به تفاوت های ظریف نحوه استفاده از کلمات در صنایع مختلف، مانند آب و برق یا خرده فروشی مواد غذایی، یا دسته بندی محصولات، مانند لوازم الکترونیکی یا پوشاک، رسیدگی شود.

با این وجود، این همچنان چالش تفسیر خروجی را باقی می گذارد: نمره احساسات 2+ به چه معناست؟

3. یادگیری ماشینی یا تشخیص الگوی هوش مصنوعی

ابزارهای یادگیری ماشین (ML) و هوش مصنوعی (AI) سیستم های تشخیص الگو و تطبیق الگو هستند که برای دسته بندی متن آموزش دیده اند. سیستم های مبتنی بر ML/AI می توانند الگوها را در توالی کلمات و توزیع شناسایی کنند تا طبقه بندی هایی با کیفیت بالا تولید کنند. این سیستم ها معمولاً با دادن مجموعه ای از نظرات «برچسب دار» روی مقادیر زیادی متن آموزش می بینند:

هنگامی که مجموعه های بزرگی از نظرات تغذیه شد، سیستم های ML/AI یاد می گیرند که الگوهای خاصی از کلمات را که در یک توالی مشخص ظاهر می شوند (مانند "به سختی، چیزی دارم") یا در یک گروه ("منقضی شده" + "تولید") شناسایی کنند. این سیستم می تواند این یادگیری را مجدداً در نظرات جدیدی که نیاز به تجزیه و تحلیل دارند به کار گیرد. با داده های آموزشی کافی، این سیستم ها می توانند پیش بینی های بسیار دقیقی برای احساسات ایجاد کنند.

در مورد تکنیک های یادگیری ماشین/هوش مصنوعی چه چیزی را دوست ندارید؟

در حالی که تکنیک های ML/AI قوی هستند و عموماً از روش های تشخیص کلمه یا قوانین مبتنی بر قانون پیشی می گیرند، اما مشکلات خود را دارند:

• آنها توسط داده های آموزشی که تغذیه می شوند محدود می شوند. داده های دارای برچسب اشتباه می توانند نتایج را منحرف کنند.
• آموزش در مورد اصطلاحات تخصصی صنعتی/نام تجاری نادر است، به این معنی که آنها معمولاً بسیاری از متون حاوی چنین اصطلاحاتی را به اشتباه طبقه بندی می کنند یا نمی توانند طبقه بندی کنند.
• هنگامی که برچسب ها نادرست هستند، درک اینکه چگونه ML/AI به نتیجه رسید ممکن است دشوار یا غیرممکن باشد.
• آنها پیش بینی های آماری را برای چگونگی مثبت بودن یا منفی بودن متن ایجاد می کنند. این منجر به ابهامات مشابه مانند قوانین/لکه بینی کلمه می شود. احتمال 56 ٪ مثبت و 44 ٪ منفی چیست؟
• آنها تمایل دارند که برای بخش بیشتری از نظرات یک تکلیف احساساتی آشکار ایجاد کنند و بسیاری از نظرات را طبقه بندی نشده یا طبقه بندی می کنند.
• آنها هنگام اختصاص احساسات نهایی به یک متن ، به قضاوت نیاز دارند.

داده های بدون ساختار پیچیده است و ابزارهای مورد استفاده برای تجزیه و تحلیل آن نیز هستند. اطمینان حاصل کنید که شما برای یکی از این پنج تصورات غلط تجزیه و تحلیل متن متداول در حال سقوط نیستید - اما در اینجا در مورد آن چه کاری باید انجام دهید.

نحوه پرداختن به کاستی های تکنیک های احساسات متن

اتاق را برای تفسیر حذف کنید

جدا کردن احساسات (احساس) از شدت (مقدار عددی) نتیجه ای را به همراه دارد که انسان می تواند به سرعت با آنها ارتباط برقرار کند و ابهام را که اغلب با روش های دیگر یافت می شود ، کاهش می دهد."به شدت مثبت" یا "ضعیف منفی" بسیار ذهنی هستند ، منجر به سوء تفاهم زیاد می شوند و موانعی را برای درک بیشتر از عقاید مصرف کننده ایجاد می کنند.

این خروجی ها به جای اینکه مجبور به تفسیر و تمایز بین مقادیر عددی شوند ، می توانند در یک سیستم تصمیم گیری نهایی قرار بگیرند که طبقه بندی های ساده و محور انسان را اختصاص می دهد:

• مثبت
• منفی
• مخلوط
• خنثی
• ناشناخته

انسان را در پشت نظر در ذهن داشته باشید

در حالی که از طبقه بندی نادرست مصون نیست ، خروجی برچسب است که انسان می تواند به سرعت با آن ارتباط برقرار کند و تجزیه و تحلیل عمیق و ظریف و کشف آنچه مصرف کنندگان در حال انتقال هستند ، امکان پذیر می کند. احساسات مختلط ضروری است زیرا به درستی این واقعیت را بیان می کند که چگونه مصرف کنندگان اغلب نظرات خود را به اشتراک می گذارند ، مانند این نظرات در دنیای واقعی از طرف مصرف کنندگان.

"فروشگاه عالی ، اما اغلب در سهام کم است."

"خطوط طولانی به دلیل قیمت های عالی ارزش آن را دارند."

"حل مسئله من خیلی طولانی طول کشید ، اما کارکنان در کل روند مودب بودند."

جدا کردن احساسات از شدت به تحلیلگران این امکان را می دهد تا درک کنند که چگونه مصرف کنندگان خود را بیان می کنند. این درک انتقادی از نحوه استفاده از زبان برای بیان نظرات را کشف می کند: بیانیه های اصلی و صمیمانه ترین بیانیه ای از عقاید ، احساسات مختلط را بیان می کنند.

چگونه بلومی آینده بهتری را برای تجزیه و تحلیل احساسات متنی فراهم می کند

در حالی که علم تجزیه و تحلیل متن همچنان در حال تکامل است ، رویکرد بلومی در جدا کردن احساسات از شدت به بهترین نتایج انسان محور برای مصرف کننده و تحلیلگر می رسد. در آغوش یک سیستم عظیم مبتنی بر قانون همراه با یک مدل آماری مبتنی بر NLP و یک مکانیسم AI/ML یک طبقه بندی قابل تفسیر انسان-مثبت ، منفی ، مخلوط ، خنثی یا مشخص نشده-برای هر قطعه متن تولید می کند.

سس مخفی ما اما در درمان انسان نهفته است. مانند همه وظایف زبان طبیعی ، رویکرد ما عدم اطمینان دارد و می تواند طبقه بندی نادرست رخ دهد. هنگامی که آنها این کار را انجام می دهند ، ما هم به کاربران و هم به کارکنان تحلیلی متن متون ما توانمند می کنیم تا این طبقه بندی ها را اصلاح کنند ، که پس از آن راه خود را برای بهبود طبقه بندی های آینده به این روند بازگرداند.

تجزیه و تحلیل احساسات متن چگونه می تواند بر سازمان شما تأثیر بگذارد؟

توانایی تشخیص سریع احساسات کلی مصرف کنندگان ، کشف سریع بازخورد ظریف مصرف کننده را امکان پذیر می کند ، و اغلب بینش های معنی دار در مورد نقاط قوت ، ضعف یا بحران های احتمالی را نشان می دهد. این حتی می تواند از فرصت های مهم شغلی برای بالا بردن یک برند فراتر از رقبای خود پرده برداشت.

محققان با استفاده از ابزار تحلیلی متن Bellomy ، بازده قابل اعتماد ، قابل تفسیر و باورپذیر را دریافت می کنند-حتی وقتی بازخورد غیرقانونی مانند رسانه های اجتماعی ، بررسی های آنلاین و موارد دیگر وجود دارد. این ابزار زمان صرف شده برای خواندن و طبقه بندی بازخورد باز را از بین می برد. این امر به کاربران امکان می دهد انرژی خود را در جایی که مهم است صرف کنند: شناسایی علت اصلی احساسات منفی ، مشخص کردن رانندگان احساسات مثبت و کشف آنچه مصرف کنندگان را هنگام ابراز احساسات متفاوتی به عقب می اندازد.

یک نسخه نمایشی رایگان از ابزار تحلیلی متن Bellomy دریافت کنید تا ببینید که چگونه سازمان شما می تواند از آن برای کشف بینش قدرتمند احساسات استفاده کند.