تجزیه و تحلیل احساسات

[بررسی URL] URL های زیر در این مقاله منسوخ شده اند. لطفا به روز رسانی کن.

2020-08-18 11:48:30

[بررسی URL] URL های زیر در این مقاله منسوخ شده اند. لطفا به روز رسانی کن.

2018-07-29 05:11:34 بارگذاری .

تجزیه و تحلیل احساسات فرایندی است که بر تجزیه و تحلیل نظرات ، احساسات و نگرش افراد نسبت به یک محصول ، سازمان یا خدمات خاص متمرکز است.

برای ما غیر معمول نیست که آنچه را که دیگران در روند تصمیم گیری ما فکر می کنند ، در نظر بگیریم. قبل از ظهور اینترنت ، بسیاری از ما برای توصیه های محصول یا خدمات یا اطلاعات هنگام خرید یک محصول به دوستان و خانواده ها اعتماد داشتیم. اینترنت تلاش های ما را برای به دست آوردن نظرات در مورد جمعیت عمومی آسان می کند.

در دنیایی که هر روز مقادیر عظیم محتوای تولید شده توسط کاربر تولید می شود ، جمع آوری تمام داده ها و تعیین نظرات بیان شده در آن داده ها عملاً غیرممکن است. بنابراین ، نیاز به توسعه الگوریتم های رایانه ای برای خودکارسازی طبقه بندی بررسی ها بر اساس قطب های خود به عنوان: مثبت ، منفی یا خنثی وجود دارد.

بحث

• با تجزیه و تحلیل احساسات به چه نوع سؤالاتی پاسخ داده می شود؟از آنجا که ابزارهای تجزیه و تحلیل احساسات نمونه ای از متن را به عنوان مثبت ، منفی یا خنثی طبقه بندی می کنند ، برخی از سؤالاتی که می توان با استفاده از تجزیه و تحلیل احساسات پاسخ داد به شرح زیر است:
  • آیا بررسی محصول داده شده مثبت است یا منفی؟
  • آیا مشتری بر اساس پاسخ ایمیل خود راضی یا ناراضی است؟
  • بر اساس نمونه ای از توییت ها ، مردم چگونه به یک تبلیغات تبلیغاتی داده شده ، انتشار محصول یا اخبار پاسخ می دهند؟
  • نگرش وبلاگ نویسان درباره رئیس جمهور از زمان انتخابات چگونه تغییر کرده است؟
• مراحل انجام شده در تجزیه و تحلیل احساسات چیست؟Sentiment analysis typically has the following steps:
  • کسب داده ها: جمع آوری داده ها یک مرحله مهم است زیرا باید یک مجموعه داده مناسب برای تجزیه و تحلیل و طبقه بندی متن در مجموعه داده تعریف شود.
  • پیش پردازش متن: پس از جمع آوری داده ها ، پیش پردازش اجازه می دهد تا سر و صدای داده ها را کاهش دهد. این کار با از بین بردن کلمات توقف غیرضروری ، کلمات مکرر ، حاکی از ، حذف شکلک ها ، حذف URL ها و غیره انجام می شود.
  • انتخاب و استخراج ویژگی ها: انتخاب مناسب و استخراج ویژگی ها نقش مهمی در تعیین صحت مدل دارد. از این رو ، تکنیک استخراج ویژگی مناسب برای استخراج ویژگی ها باید انتخاب شود.
  • طبقه بندی احساسات: در این مرحله ، از تکنیک های مختلف طبقه بندی احساسات برای طبقه بندی متن استفاده می شود. برخی از تکنیک های طبقه بندی احساسات محبوب ، ماشین های بردار ساده (NB) و پشتیبانی از دستگاه های بردار (SVM) هستند.
  • تشخیص قطبیت: پس از طبقه بندی احساسات ، قطبیت احساسات تعیین می شود. هدف از تشخیص قطبیت تصمیم گیری در مورد اینکه آیا یک متن احساسات مثبت ، منفی یا خنثی را بیان می کند یا خیر.
  • اعتبار سنجی و ارزیابی: سرانجام ، اعتبار سنجی و ارزیابی نتایج به دست آمده به گونه ای انجام می شود که دقت کلی تکنیک های مورد استفاده برای تجزیه و تحلیل احساسات را تعیین کند.
• رویکردهای مختلف برای تجزیه و تحلیل احساسات چیست؟Broadly, there are ML -based and lexicon-based approaches, plus a hybrid approach that's a combination of these two. ML models classify the text as positive, negative or neutral using classification algorithms and linguistic features. Lexicon models make use of sentiment lexicons, which are collections of aotated and preprocessed sentiment terms. Sentiment values are assigned to words that describe the positive, negative and neutral attitude of the speaker. It is further classified as:
  • روش مبتنی بر فرهنگ لغت: از مجموعه کوچکی از کلمات بذر و یک فرهنگ لغت آنلاین استفاده می کند. استراتژی در اینجا مجموعه اولیه بذر کلمات با جهت گیری های شناخته شده آنها جمع آوری شده و سپس فرهنگ لغت های آنلاین برای یافتن مترادف و متضاد احتمالی آنها جستجو می شود. نمونه بر اساس وجود چنین کلمات احساسات سیگنالینگ طبقه بندی می شود.
  • روش مبتنی بر Corpus: از داده های Corpus برای شناسایی کلمات احساسات استفاده می کند. حتی اگر به اندازه طرح مبتنی بر فرهنگ لغت مؤثر نباشد ، در یافتن دامنه و زمینه کلمات احساسات خاص در برابر داده های Corpus مفید است. این الگوریتم نه تنها به برچسب های احساسات بلکه به یک زمینه نیز دسترسی خواهد داشت.
• مزایا و محدودیت های رویکردهای تحلیل احساسات چیست؟یادگیری ماشین
  • مزیت: برخلاف واژگان مبتنی بر واژگان ، این مدل ها می توانند برای یک هدف یا زمینه خاص ساخته شوند.
  • محدودیت: به دست آوردن داده های دارای برچسب برای آموزش می تواند دشوار یا گران باشد.

   

  • مزیت: هیچ آموزش لازم نیست.
  • محدودیت: دقت به منابع واژگانی بستگی دارد. تعداد محدودی از کلمات در واژگان و تعیین یک جهت گیری احساسات ثابت و نمره به کلمات.
  • مزیت: این بهترین روشهای مبتنی بر یادگیری ماشین و مبتنی بر واژگان را در بر می گیرد.

  به طور کلی ، مدل های مبتنی بر یادگیری ماشین عملکرد بهتری نسبت به مدل های مبتنی بر واژگان دارند. اما مدل های یادگیری ماشین به مقادیر عظیمی نیاز به داده های دارای برچسب دارند.

  • Python NLTK: ابزاری مبتنی بر پایتون برای پردازش متن ، فهرست بندی ، نشانه گذاری ، توقف ، برچسب زدن ، تجزیه و تجزیه و تحلیل و موارد دیگر.
  • گیت ، معماری عمومی مهندسی متن: مجموعه ای از ابزارهای جاوا برای انواع کارهای پردازش زبان طبیعی ، از جمله استخراج اطلاعات در بسیاری از زبانها.
  • Lingpipe: Lingpipe کیت ابزار برای پردازش متن با استفاده از زبانشناسی محاسباتی است.
  • LIWC (استعلام زبانی و تعداد کلمات): یک ابزار تجزیه و تحلیل متن رایانه ای که یک متن معین را می خواند و درصد کلماتی را که منعکس کننده احساسات مختلف ، سبک های تفکر و نگرانی های اجتماعی است ، حساب می کند.

  از جمله ابزارهای دیگر می توان به نظر Finder ، طبقه بندی اسناد Grooper ، Monkeylea ، IBM Watson ، Lexalytics ، معنی کلود ، Rosette ، Repustate ، Clarabridge و Aylien اشاره کرد.

  • نامگذاری نامگذاری شده به رسمیت شناختن: مکان یابی نهادهای نامگذاری شده در متن به دسته های از پیش تعریف شده مانند نام افراد ، سازمان ها ، مکان ها. به عنوان مثال: آیا 300 اسپارتان گروهی از یونانیان یا فیلم هستند؟
  • وضوح آنافورا: این مسئله حل منابع مربوط به موارد قبلی یا بعداً در گفتمان است. به عنوان مثال: "ما فیلم را تماشا کردیم و به شام رفتیم. این افتضاح بود.""این" به چه چیزی اشاره دارد؟
  • تجزیه و تحلیل: این به حل یک جمله در قسمت های مؤلفه آن اشاره دارد. موضوع و موضوع جمله چیست ، در واقع فعل و/یا صفت به کدام یک اشاره می کند؟
  • حالت های بلاغی: به طور معمول پست های مورد تجزیه و تحلیل حاوی طعنه ، طعنه ، دلالت و غیره هستند که تشخیص آن به ویژه دشوار است.
  • وب سایت رسانه های اجتماعی: یافتن بررسی ها و نظرات حاوی زبان عامیانه ، اختصارات ، کمبود سرمایه و نگارشی ضعیف غیر معمول نیست ، که باعث می شود تجزیه و تحلیل احساسات حتی چالش برانگیز باشد.
  • تجزیه و تحلیل احساسات بصری: پست ها اغلب حاوی ترکیبی از اطلاعات بصری و متنی هستند. قطب های احساساتی که توسط متون دلالت دارد ممکن است با احساسات تصاویر مغایرت داشته باشد ، که این یک چالش برای تجزیه و تحلیل احساسات متنی است.
  • نظارت بر برند - از تجزیه و تحلیل احساسات برای سنجش نحوه دریافت یک برند ، محصول یا شرکت توسط عموم استفاده می شود. در حقیقت ، شرکت های خصوصی مانند UNAMO این کار را به عنوان یک سرویس ارائه می دهند.
  • خدمات مشتری - نمایندگان خدمات مشتری نامه های ورودی را به "فوری" و "غیر فوری" طبقه بندی می کنند تا بتوانند سریعتر به مشتریان ناامید کننده خدمت کنند. پلت فرم تجزیه و تحلیل گفتار Callminer Eureka تکنیک های AI و ML را برای جلب بینش از تعامل مصرف کننده ، به منظور ارائه خدمات به مشتری با کیفیت ، پیاده سازی می کند.
  • تحقیقات و تجزیه و تحلیل بازار - معدن نظر با کمک به تحلیلگران درک می کند که چرا یک محصول خاص به خوبی پذیرفته شده است یا خیر. با تغییر احساسات در رسانه های اجتماعی ، بازار سهام و صندوق های تامینی شناخته شده است.

  تجزیه و تحلیل احساسات همچنین ابتکارات مختلف دیگری را به جلو سوق داده است. Bing Search از این مفهوم در محصول پاسخهای چند ساله تازه راه اندازی شده خود استفاده کرد.

  جدا از موارد فوق ، تجزیه و تحلیل احساسات در زمینه های علوم سیاسی ، جامعه شناسی ، روانشناسی استفاده می شود. تشخیص شعله ، شناسایی قابلیت توجه کودک از فیلم ها ، شناسایی تعصب در منابع خبری انواع برنامه ها است.