情感分析(意见挖掘)

情感分析的类型

1. 细粒度的情感分析通过将其细分为进一步的类别(通常是非常积极的到非常消极的)，提供了更精确的极性级别。这可以被认为是相当于5星评级的意见。
2. 情绪检测可以识别特定的情绪，而不是积极情绪和消极情绪。这些例子包括快乐、沮丧、震惊和愤怒 和悲伤。
3. 基于意图的分析除了识别观点外，还识别文本背后的行为。例如，在网上发表评论，表达对更换电池的不满，可能会促使客服寻求解决这个具体问题。
4. 基于方面的分析收集正面或负面提到的特定组件。例如，客户可能会在产品上留下评论，说电池寿命太短。然后，系统会返回，负面情绪不是关于产品整体，而是关于电池寿命。

情感分析的应用

情感分析工具可以被组织用于各种应用，包括:

• 识别品牌意识,声誉 和某一特定时刻或一段时间内的受欢迎程度。
• 跟踪消费者对新产品或新功能的接受情况。
• 评估营销活动的成功程度。
• 准确定位目标受众或人口统计资料。
• 从社交媒体、网站或在线表格中收集客户反馈。
• 进行市场调查。
• 对客户服务请求进行分类。

情感分析的挑战

与情感分析相关的挑战通常围绕着训练模型的不准确性。客观性，或带有中立情绪的评论，往往会给系统带来问题，并且经常被错误识别。例如，如果客户收到了错误的颜色项目，并提交了一个评论“产品是蓝色的”，这将被标识为中性，而实际上它应该是负面的。

当系统无法理解上下文或基调时，情感也很有挑战性。在没有给出具体内容的情况下，像“什么都没有”或“什么都没有”这样的民意调查或调查问题的答案很难归类，因为它们可能会根据问题的不同被贴上积极或消极的标签。同样，讽刺和讽刺往往不能明确地训练，并导致错误的标签情绪。

计算机程序也会遇到麻烦emojis和无关的信息。需要特别注意使用表情符号和中性数据的训练模型，以避免错误地标记文本。

最后，人们的陈述可能是矛盾的。大多数评论都会有正面和负面的评论，通过一次一个句子的分析，这在某种程度上是可控的。然而，越是不正式的媒体(推特(比如博客文章)，人们越有可能在同一个句子中结合不同的观点，计算机就越难解析。