- คำศัพท์ (A ถึง D)
- การควบคุมความสามารถของ AI
- AIOps
- อัลบั้ม
- ประสิทธิภาพของสินทรัพย์
- ตัวเข้ารหัสอัตโนมัติ
- การขยายพันธุ์หลัง
- ทฤษฎีบทเบย์
- ข้อมูลขนาดใหญ่
- Chatbot: คู่มือสำหรับผู้เริ่มต้น
- การคิดเชิงคำนวณ
- วิสัยทัศน์คอมพิวเตอร์
- เมทริกซ์ความสับสน
- เครือข่ายประสาทเทียม
- cybersecurity
- ผ้าข้อมูล
- การเล่าเรื่องข้อมูล
- ข้อมูลวิทยาศาสตร์
- คลังข้อมูล
- ต้นไม้ตัดสินใจ
- Deepfakes
- การเรียนรู้ลึก ๆ
- การเรียนรู้การเสริมแรงเชิงลึก
- devops
- DevSecOps
- แบบจำลองการแพร่กระจาย
- ดิจิตอลแฝด
- การลดขนาด
- คำศัพท์ (E ถึง K)
- เอดจ์ไอ
- อารมณ์ AI
- การเรียนรู้ทั้งมวล
- การแฮ็กอย่างมีจริยธรรม
- ETL
- AI ที่อธิบายได้
- สหพันธ์การเรียนรู้
- ฟินอ๊อฟ
- กำเนิด AI
- เครือข่ายผู้ให้กำเนิด
- กำเนิดเทียบกับการเลือกปฏิบัติ
- ไล่โทนสี
- โคตรไล่ระดับ
- การเรียนรู้ไม่กี่ช็อต
- การจำแนกรูปภาพ
- การดำเนินงานด้านไอที (ITOps)
- ระบบอัตโนมัติของเหตุการณ์
- วิศวกรรมอิทธิพล
- K-หมายถึงการจัดกลุ่ม
- K-เพื่อนบ้านที่ใกล้ที่สุด
- คำศัพท์ (L ถึง Q)
- คำศัพท์ (R ถึง Z)
- การเรียนรู้เสริมแรง
- AI ที่มีความรับผิดชอบ
- อาร์แอลเอชเอฟ
- ระบบอัตโนมัติของกระบวนการหุ่นยนต์
- มีโครงสร้าง vs ไม่มีโครงสร้าง
- การวิเคราะห์ความเชื่อมั่น
- อยู่ภายใต้การดูแล vs ไม่ได้รับการดูแล
- สนับสนุนเครื่องเวกเตอร์
- ข้อมูลสังเคราะห์
- สื่อสังเคราะห์
- การจัดประเภทข้อความ
- TinyML
- ถ่ายทอดการเรียนรู้
- เครือข่ายประสาทหม้อแปลง
- การทดสอบของทัวริง
- การค้นหาความคล้ายคลึงกันของเวกเตอร์
AI 101
คู่มือสำหรับผู้เริ่มต้นสำหรับการวิเคราะห์ความรู้สึกในปี 2023
การตีพิมพ์
1 ปีที่ผ่านมาon
By
ฮาซิกา ซาจิดสารบัญ
มนุษย์เป็นสิ่งมีชีวิตที่มีความรู้สึก เราสัมผัสกับอารมณ์ความรู้สึกและความรู้สึก ลด 90% ของเวลา การวิเคราะห์ความรู้สึกมีความสำคัญมากขึ้นเรื่อยๆ สำหรับนักวิจัย ธุรกิจ และองค์กรต่างๆ ในการทำความเข้าใจความคิดเห็นของลูกค้าและระบุประเด็นที่ต้องปรับปรุง มีแอพพลิเคชั่นที่หลากหลาย แต่ก็เผชิญกับความท้าทายเช่นกัน
ความรู้สึกหมายถึงความคิด มุมมอง และทัศนคติ - จัดขึ้นหรือแสดงออก - กระตุ้นโดยอารมณ์ ตัวอย่างเช่น คนส่วนใหญ่ในทุกวันนี้เข้าสู่โซเชียลมีเดียเพื่อแสดงความรู้สึกของตนในเนื้อหาเช่นทวีต ดังนั้น นักวิจัยเหมืองข้อความจึงทำงานเกี่ยวกับการวิเคราะห์ความคิดเห็นของสื่อสังคมออนไลน์เพื่อทำความเข้าใจความคิดเห็นสาธารณะ ทำนายแนวโน้ม และปรับปรุงประสบการณ์ของลูกค้า
เรามาพูดถึงการวิเคราะห์ความรู้สึกโดยละเอียดด้านล่าง
การวิเคราะห์ความเชื่อมั่นคืออะไร?
ประมวลผลภาษาธรรมชาติ เทคนิค (NLP) ในการวิเคราะห์ข้อมูลที่เป็นข้อความ เช่น บทวิจารณ์ของลูกค้า เพื่อทำความเข้าใจอารมณ์ที่อยู่เบื้องหลังข้อความและจัดประเภทเป็นเชิงบวก ลบ หรือเป็นกลาง เรียกว่าการวิเคราะห์ความรู้สึก
จำนวนข้อมูลที่เป็นข้อความที่ใช้ร่วมกันทางออนไลน์มีจำนวนมาก มากกว่า 500 ล้าน มีการแบ่งปันทวีตทุกวันด้วยความรู้สึกและความคิดเห็น ด้วยการพัฒนาศักยภาพในการวิเคราะห์ข้อมูลที่มีปริมาณมาก หลากหลาย และความเร็วสูงนี้ องค์กรต่างๆ สามารถตัดสินใจโดยใช้ข้อมูลเป็นหลักได้
การวิเคราะห์ความรู้สึกมีสามประเภทหลัก:
1. การวิเคราะห์ความรู้สึกหลายรูปแบบ
เป็นการวิเคราะห์ความรู้สึกประเภทหนึ่งที่เราพิจารณาโหมดข้อมูลหลายโหมด เช่น วิดีโอ เสียง และข้อความ เพื่อวิเคราะห์อารมณ์ที่แสดงออกในเนื้อหา เมื่อพิจารณาถึงสัญลักษณ์ทางสายตาและการได้ยิน เช่น การแสดงออกทางสีหน้า น้ำเสียงจะให้ความรู้สึกที่หลากหลาย
2. การวิเคราะห์ความรู้สึกตามมุมมอง
การวิเคราะห์ตามแง่มุมเกี่ยวข้องกับวิธี NLP เพื่อวิเคราะห์และแยกอารมณ์และความคิดเห็นที่เกี่ยวข้องกับลักษณะเฉพาะหรือคุณลักษณะของผลิตภัณฑ์และบริการ ตัวอย่างเช่น ในการรีวิวร้านอาหาร นักวิจัยสามารถแยกความรู้สึกที่เกี่ยวข้องกับอาหาร การบริการ บรรยากาศ ฯลฯ
3. การวิเคราะห์ความรู้สึกหลายภาษา
แต่ละภาษามีไวยากรณ์ วากยสัมพันธ์ และคำศัพท์ที่แตกต่างกัน ความรู้สึกแสดงออกแตกต่างกันไปในแต่ละภาษา ในการวิเคราะห์ความคิดเห็นหลายภาษา แต่ละภาษาได้รับการฝึกฝนเป็นพิเศษเพื่อแยกความรู้สึกของข้อความที่กำลังวิเคราะห์
คุณสามารถใช้เครื่องมือใดในการวิเคราะห์ความรู้สึก
ในการวิเคราะห์ความรู้สึก เรารวบรวมข้อมูล (รีวิวจากลูกค้า โพสต์บนโซเชียลมีเดีย ความคิดเห็น ฯลฯ) ประมวลผลข้อมูลล่วงหน้า (ลบข้อความที่ไม่ต้องการออก โทเค็น การติดแท็ก POS แยก/ย่อ) แยกคุณสมบัติ (แปลงคำเป็นตัวเลขสำหรับการสร้างแบบจำลอง) และจัดประเภทข้อความเป็นบวก ลบ หรือเป็นกลาง
ต่างๆ ไลบรารี Python และเครื่องมือที่มีขายตามท้องตลาดทำให้กระบวนการวิเคราะห์ความรู้สึกง่ายขึ้น ซึ่งมีดังนี้
1. ห้องสมุด Python
NLTK (Natural Language Toolkit) คือคลังประมวลผลข้อความที่ใช้กันอย่างแพร่หลายสำหรับการวิเคราะห์ความรู้สึก ไลบรารี่อื่นๆ เช่น Vader (Valence Aware Dictionary และ sEntiment Reasoner) และ TextBlob ถูกสร้างขึ้นบน NLTK
BERT (Bidirectional Encoder Representation from Transformers) เป็นโมเดลการแสดงภาษาที่ทรงพลังซึ่งได้แสดงผลลัพธ์อันล้ำสมัยในงาน NLP มากมาย
2. เครื่องมือที่มีจำหน่ายทั่วไป
นักพัฒนาและธุรกิจสามารถใช้เครื่องมือที่มีจำหน่ายทั่วไปสำหรับแอปพลิเคชันของตนได้ เครื่องมือเหล่านี้สามารถปรับแต่งได้ ดังนั้นเทคนิคการประมวลผลล่วงหน้าและการสร้างแบบจำลองจึงสามารถปรับให้เหมาะกับความต้องการเฉพาะได้ เครื่องมือยอดนิยมคือ:
IBM Watson NLU เป็นบริการบนคลาวด์ที่ช่วยในการวิเคราะห์ข้อความ เช่น การวิเคราะห์ความรู้สึก รองรับหลายภาษาและใช้การเรียนรู้เชิงลึกเพื่อระบุความรู้สึก
Natural Language API ของ Google สามารถทำงาน NLP ได้หลากหลาย API ใช้แมชชีนเลิร์นนิงและโมเดลที่ได้รับการฝึกอบรมล่วงหน้าเพื่อให้คะแนนความคิดเห็นและขนาด
การประยุกต์ใช้การวิเคราะห์ความรู้สึก
1. การบริหารประสบการณ์ลูกค้า (CEM)
การแยกและวิเคราะห์ความรู้สึกของลูกค้าจากคำติชมและบทวิจารณ์เพื่อปรับปรุงผลิตภัณฑ์และบริการเรียกว่าการจัดการประสบการณ์ลูกค้า พูดง่ายๆ ก็คือ CEM โดยใช้การวิเคราะห์ความรู้สึก สามารถเพิ่มความพึงพอใจของลูกค้าซึ่งจะเพิ่มรายได้ และเมื่อลูกค้าพอใจแล้ว ลด 72% ของพวกเขาจะแบ่งปันประสบการณ์กับผู้อื่น
2. การวิเคราะห์โซเชียลมีเดีย
เกี่ยวกับเรา ลด 65% ของประชากรโลกใช้โซเชียลมีเดีย ทุกวันนี้ เราสามารถค้นหาความรู้สึกและความคิดเห็นของผู้คนเกี่ยวกับเหตุการณ์สำคัญต่างๆ นักวิจัยสามารถประเมินความคิดเห็นของประชาชนโดยการรวบรวมข้อมูลเกี่ยวกับเหตุการณ์เฉพาะ
ตัวอย่างเช่น การศึกษาได้ดำเนินการเพื่อเปรียบเทียบความคิดเห็นที่ผู้คนในประเทศตะวันตกมีเกี่ยวกับ ISIS เมื่อเทียบกับประเทศทางตะวันออก การวิจัยสรุปว่าผู้คนมองว่า ISIS เป็นภัยคุกคาม ไม่ว่าพวกเขาจะมาจากไหนก็ตาม
3. การวิเคราะห์ทางการเมือง
ด้วยการวิเคราะห์ความรู้สึกสาธารณะบนโซเชียลมีเดีย แคมเปญทางการเมืองสามารถเข้าใจจุดแข็งและจุดอ่อนของพวกเขา และตอบสนองต่อประเด็นที่สำคัญที่สุดต่อสาธารณะ นอกจากนี้ นักวิจัยยังสามารถทำนายผลการเลือกตั้งโดยการวิเคราะห์ความรู้สึกที่มีต่อพรรคการเมืองและผู้สมัครรับเลือกตั้ง
Twitter มีความสัมพันธ์ 94% กับข้อมูลการสำรวจ ซึ่งหมายความว่ามีความสอดคล้องสูงในการทำนายการเลือกตั้ง
ความท้าทายของการวิเคราะห์ความรู้สึก
1. ความไม่ชัดเจน
ความคลุมเครือหมายถึงกรณีที่คำหรือสำนวนมีความหมายหลายอย่างตามบริบทโดยรอบ ตัวอย่างเช่น คำว่าป่วยสามารถมีความหมายเชิงบวก (“คอนเสิร์ตนั้นป่วย”) หรือความหมายเชิงลบ (“ฉันป่วย”) ขึ้นอยู่กับบริบท
2. การเสียดสี
การตรวจจับการเสียดสีในข้อความอาจเป็นเรื่องที่ท้าทาย เพราะผู้ที่มีสิ่งกระตุ้นสามารถใช้คำพูดเชิงบวกเพื่อแสดงความรู้สึกเชิงลบหรือในทางกลับกัน ตัวอย่างเช่น ข้อความ “โอ้ เยี่ยมมาก การประชุมอีกครั้ง” อาจเป็นความคิดเห็นที่ประชดประชัน ทั้งนี้ขึ้นอยู่กับบริบท
3. คุณภาพของข้อมูล
การค้นหาข้อมูลเฉพาะโดเมนที่มีคุณภาพโดยไม่ต้องกังวลเรื่องความเป็นส่วนตัวและความปลอดภัยของข้อมูลอาจเป็นเรื่องที่ท้าทาย การทิ้งข้อมูลจากเว็บไซต์โซเชียลมีเดียเป็นโซนสีเทาเสมอ Meta ยื่นฟ้องสองบริษัท BrandTotal และ Unimania ในข้อหาสร้างส่วนขยายสำหรับ Facebook โดยขัดต่อข้อกำหนดและนโยบายของ Facebook
4. อิโมจิ
อิโมจิกำลังถูกใช้เพื่อแสดงอารมณ์ในการสนทนาบนแอปโซเชียลมีเดียมากขึ้นเรื่อยๆ แต่การตีความอิโมจินั้นขึ้นอยู่กับอัตนัยและขึ้นอยู่กับบริบท ผู้ปฏิบัติงานส่วนใหญ่ลบอิโมจิออกจากข้อความ ซึ่งอาจไม่ใช่ตัวเลือกที่ดีที่สุดในบางกรณี ดังนั้นจึงเป็นเรื่องยากที่จะวิเคราะห์ความรู้สึกของข้อความแบบองค์รวม
การวิเคราะห์สภาวะความเชื่อมั่นในปี 2023 และต่อๆ ไป!
โมเดลภาษาขนาดใหญ่ เช่น BERT และ GPT ได้รับผลลัพธ์ที่ล้ำสมัยในงาน NLP มากมาย นักวิจัยใช้การฝังอิโมจิและ สถาปัตยกรรมการเอาใจใส่ตนเองแบบหลายหัว เพื่อจัดการกับความท้าทายของอิโมจิและการเสียดสีในข้อความ ตามลำดับ เมื่อเวลาผ่านไป เทคนิคดังกล่าวจะบรรลุความแม่นยำ ความสามารถในการปรับขนาด และความเร็วที่ดีขึ้น
สำหรับเนื้อหาเกี่ยวกับ AI เพิ่มเติม โปรดไปที่ unite.ai.
ฮาซิกา เป็นนักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์มากมายในการเขียนเนื้อหาทางเทคนิคสำหรับบริษัท AI และ SaaS
คุณอาจชอบ
บทสนทนาภายในของ AI: การสะท้อนตนเองช่วยเพิ่มแชทบอทและผู้ช่วยเสมือนได้อย่างไร
Mini-Gemini: การขุดค้นศักยภาพของโมเดลภาษาการมองเห็นแบบหลายรูปแบบ
AIOS: ระบบปฏิบัติการสำหรับตัวแทน LLM
สไตล์ทันใจ: การรักษาสไตล์ในการสร้างข้อความเป็นรูปภาพ
LoReFT: การปรับแต่งการเป็นตัวแทนสำหรับโมเดลภาษา
นอกเหนือจากเครื่องมือค้นหา: การเพิ่มขึ้นของตัวแทนการท่องเว็บที่ขับเคลื่อนด้วย LLM