AI 101
En nybegynneres guide til sentimentanalyse i 2023
Mennesker er sansende vesener; vi opplever emosjoner, sansninger og følelser 90% av tiden. Sentimentanalyse blir stadig viktigere for forskere, bedrifter og organisasjoner for å forstå kundetilbakemeldinger og identifisere områder for forbedring. Den har flere anvendelser, men den møter også noen utfordringer.
Sentiment henviser til tanker, synspunkter og holdninger – holdt eller uttrykt – motivert av emosjoner. For eksempel går de fleste menneskene i dag bare på sosiale medier for å uttrykke sine synspunkter i innhold som en tweet. Derfor arbeider tekstminingforskere med sosial mediasentimentanalyse for å forstå offentlige meninger, forutsi trender og forbedre kundeopplevelsen.
La oss diskutere sentimentanalyse i detalj nedenfor.
Hva er Sentimentanalyse?
Natural Language Processing (NLP) teknikk for å analysere tekstdata, som kundeanmeldelser, for å forstå emosjonen bak teksten og klassifisere den som positiv, negativ eller nøytral kalles sentimentanalyse.
Mengden tekstdata som deles på nettet er enorm. Mer enn 500 million tweets deles daglig med synspunkter og meninger. Ved å utvikle evnen til å analysere denne høyvolum, høyvariasjon og høyhastighetsdata kan organisasjoner ta beslutninger basert på data.
Det finnes tre hovedtyper sentimentanalyse:
1. Multimodal Sentimentanalyse
Dette er en type sentimentanalyse hvor vi tar hensyn til flere datamodi, som video, lyd og tekst, for å analysere emosjonene som uttrykkes i innholdet. Å ta hensyn til visuelle og auditive signaler som ansiktsuttrykk, tonefall gir en bred spekter av synspunkter.
2. Aspektbasert Sentimentanalyse
Aspektbasert analyse innebærer NLP-metoder for å analysere og trekke ut emosjoner og meninger relatert til bestemte aspekter eller egenskaper ved produkter og tjenester. For eksempel kan forskere i en restaurantanmeldelse trekke ut synspunkter relatert til mat, service, atmosfære osv.
3. Flerspråklig Sentimentanalyse
Hvert språk har en annen grammatikk, syntaks og vokabular. Sentiment uttrykkes forskjellig i hvert språk. I flerspråklig sentimentanalyse blir hvert språk spesifikt trent for å trekke ut sentimentet til teksten som analyseres.
Hvilke Verktøy Kan Du Bruke for Sentimentanalyse?
I sentimentanalyse samler vi inn data (kundeanmeldelser, sosiale medieinnlegg, kommentarer osv.), forbehandler den (fjerner uønsket tekst, tokenisering, POS-merking, stemming/lemmatisering), trekker ut egenskaper (omgjør ord til tall for modellering) og klassifiserer teksten som enten positiv, negativ eller nøytral.
Forskjellige Python-biblioteker og kommersielt tilgjengelige verktøy forenkler prosessen med å analysere sentiment, som følger:
1. Python-biblioteker
NLTK (Natural Language Toolkit) er det mest brukte tekstbehandlingsbiblioteket for sentimentanalyse. Andre biblioteker som Vader (Valence Aware Dictionary and sEntiment Reasoner) og TextBlob er bygget på toppen av NLTK.
BERT (Bidirectional Encoder Representations from Transformers) er en kraftfull språkrepresentasjonsmodell som har vist state-of-the-art-resultater på mange NLP-oppdrag.
2. Kommersielt Tilgjengelige Verktøy
Utviklere og bedrifter kan bruke mange kommersielt tilgjengelige verktøy for sine applikasjoner. Disse verktøyene er tilpassbare, så forbehandlings- og modelleringsteknikker kan tilpasses bestemte behov. Populære verktøy er:
IBM Watson NLU er en skybasert tjeneste som hjelper med tekstanalyse, som sentimentanalyse. Den støtter flere språk og bruker dyp læring for å identifisere synspunkter.
Google’s Natural Language API kan utføre forskjellige NLP-oppdrag. API-en bruker maskinlæring og forhåndsdefinerte modeller for å gi sentiment- og magnitudpoeng.
Anvendelser av Sentimentanalyse
1. Kundeopplevelsehåndtering (CEM)
Å trekke ut og analysere kunders synspunkter fra tilbakemeldinger og anmeldelser for å forbedre produkter og tjenester kalles kundeopplevelsehåndtering. Enkelt uttrykt, CEM – ved å bruke sentimentanalyse – kan forbedre kundetilfredshet, som igjen øker inntekten. Og når kundene er tilfredse, 72% av dem vil dele sin erfaring med andre.
2. Sosialmedieanalyse
Om 65% av verdens befolkning bruker sosiale medier. I dag kan vi finne synspunkter og meninger om mennesker om noen betydningsfulle hendelser. Forskere kan vurdere offentlige meninger ved å samle inn data om bestemte hendelser.
For eksempel ble en studie gjennomført for å sammenligne hva mennesker i vestlige land har for synspunkter om ISIS sammenlignet med østlige land. Forskningen konkluderte med at mennesker ser på ISIS som en trussel uavhengig av hvor de kommer fra.
3. Politisk Analyse
Ved å analysere offentlige synspunkter på sosiale medier kan politiske kampanjer forstå sine styrker og svakheter og reagere på problemene som betyr mest for offentligheten. I tillegg kan forskere forutsi valgresultater ved å analysere synspunkter mot politiske partier og kandidater.
Twitter har en 94% korrelasjon med meningsmålinger, noe som betyr at det er svært konsekvent i å forutsi valg.
Utfordringer med Sentimentanalyse
1. Tvetydighet
Tvetydighet henviser til tilfeller hvor et ord eller uttrykk har flere betydninger basert på omgivelsene. For eksempel kan ordet syk ha positive konnotasjoner (“Den konserten var syk”) eller negative konnotasjoner (“Jeg er syk”), avhengig av konteksten.
2. Sarcasme
Å oppdage sarcasme i en tekst kan være utfordrende fordi mennesker med stimulus kan bruke positive ord til å uttrykke negative synspunkter eller omvendt. For eksempel kan teksten “Oh, det er flott, enda et møte” være en sarkastisk kommentar avhengig av konteksten.
3. Datakvalitet
Å finne kvalitetsdomenespesifikke data uten dataintegritets- og sikkerhetsproblemer kan være utfordrende. Å skrape data fra sosiale medier er alltid en gråsone. Meta saksøkte to selskaper, BrandTotal og Unimania, for å lage skrapingstillegg for Facebook mot Facebooks vilkår og retningslinjer.
4. Emojier
Emojier brukes stadig mer for å uttrykke emosjoner i samtaler på sosiale medier. Men tolkningen av emojier er subjektiv og kontekstavhengig. De fleste praktikerne fjerner emojier fra teksten, noe som kanskje ikke er det beste valget i noen tilfeller. Derfor blir det vanskelig å analysere tekstens synspunkter helhetlig.
Tilstand av Sentimentanalyse i 2023 og Fremover!
Store språkmodeller som BERT og GPT har oppnådd state-of-the-art-resultater på mange NLP-oppdrag. Forskere bruker emoji-embedding og Multi-Head Self-Attention Architecture for å løse utfordringene med emojier og sarcasme i teksten, henholdsvis. Over tid vil slike tekniker oppnå bedre nøyaktighet, skalerbarhet og hastighet.
For mer AI-relatert innhold, besøk unite.ai.
