你是否曾經(jīng)想過，你的產(chǎn)品或服務(wù)是否真正滿足了客戶的需求？你是否想知道客戶對你的公司、品牌和員工的態(tài)度？如果你想要了解這些信息，就需要進行客戶情感分析。

 

01 什么是情感分析

情感分析（或觀點挖掘）是一種自然語言處理 （NLP） 技術(shù)，用于確定數(shù)據(jù)是正面、負面還是中立。情感分析通常對文本數(shù)據(jù)進行分析，以幫助企業(yè)監(jiān)控客戶反饋中的品牌和產(chǎn)品情緒，并了解客戶需求。

• 情感分析的類型

情感分析側(cè)重于文本的極性（積極的、消極的、中立的），但它也超越了極性來檢測特定的感受和情緒（憤怒、快樂、悲傷等）、緊迫性（緊急、不緊急）甚至意圖（感興趣與不感興趣）。

根據(jù)您希望如何解釋客戶反饋和咨詢，您可以定義和定制類別以滿足您情感分析需求。以下是一些最常用的情感分析類型：

1）分級情感分析

如果極性精度對您的業(yè)務(wù)很重要，您可以考慮擴展極性類別以包括不同級別的正負向：

2）情緒檢測

情緒檢測情感分析允許您超越極性來檢測情緒，如快樂、沮喪、憤怒和悲傷。許多情緒檢測系統(tǒng)使用詞典（即單詞列表及其傳達的情感）或復(fù)雜的機器學(xué)習(xí)算法。

使用詞典的缺點之一是人們表達情感的方式各不相同。一些通常表達憤怒的詞，如 "壞"（bad）或 "殺"（kill）（例如，你的產(chǎn)品太糟糕了，或者你的客戶支持簡直要了我的命?。┮部赡鼙磉_快樂（如 "這真是個大壞蛋 "或 "你們真是太棒了"）。

 

3）基礎(chǔ)情感分析

通常，在對文本進行情感分析時，您會想知道人們以積極、中立或消極的方式提及哪些特定方面或特征。

這就是基礎(chǔ)情感分析可以提供幫助的地方，例如在產(chǎn)品評論中：“這款相機的電池壽命太短”，基礎(chǔ)分類將能夠確定該句子表達了對相關(guān)產(chǎn)品的電池壽命的負面意見。

 

4）多語言情感分析

多語言情感分析可能很困難，它涉及大量的預(yù)處理和資源。這些資源中的大部分都可以在網(wǎng)上找到（例如情感詞典），而其他資源則需要創(chuàng)建（例如翻譯的語料庫或噪聲檢測算法），但您需要知道如何編寫代碼才能使用它們。

或者，您可以使用語言分類器自動檢測文本中的語言，然后訓(xùn)練自定義情感分析模型，用您選擇的語言對文本進行分類。

 

02 為什么情感分析很重要

由于人們越來越傾向于在公開渠道表達自己的想法和感受，情感分析正迅速成為監(jiān)控和理解各類數(shù)據(jù)情感的重要工具。

自動分析客戶反饋，例如調(diào)查回復(fù)社交媒體對話中的意見，使品牌能夠了解什么讓客戶滿意或沮喪，以便他們可以定制產(chǎn)品和服務(wù)以滿足客戶的需求。

例如，使用情感分析自動分析客戶滿意度調(diào)查中的 4000+ 個開放式回復(fù)，可以幫助您發(fā)現(xiàn)客戶在客戶旅程的每個階段滿意或不滿意的原因。

也許您想跟蹤品牌情感，以便您可以立即發(fā)現(xiàn)不滿的客戶并盡快做出回應(yīng)。也許您想比較這個季度和下一個季度的情緒，看看是否需要采取行動。然后，您可以更深入地挖掘定性數(shù)據(jù)，以了解情感下降或上升的原因。

• 情感分析的總體趨勢

1）大規(guī)模數(shù)據(jù)整理

您能想象手動整理成千上萬條的推文、客服對話或調(diào)查報告嗎？情感分析可幫助企業(yè)以高效、經(jīng)濟的方式處理大量非結(jié)構(gòu)化數(shù)據(jù)。

 

2）實時分析

情感分析可以實時識別關(guān)鍵問題，例如社交媒體上的公關(guān)危機是否正在升級？憤怒的客戶是否即將流失？情感分析模型可以幫助您立即識別這類情況，以便您可以快速采取行動。

 

3）一致的標準

據(jù)估計，在判斷特定文本情感時，只有大約 60-65% 的時間會達成一致。情感標記文本具有很強的主觀性，會受到個人經(jīng)歷、思想和信念的影響。

通過使用集中式情感分析系統(tǒng)，企業(yè)可以對其所有的數(shù)據(jù)應(yīng)用相同的標準，從而幫助他們提高準確性并獲得更好的洞察力。

 

03 情感分析如何工作

情感分析，也稱為意見挖掘，得益于自然語言處理 （NLP） 和機器學(xué)習(xí)算法，可以自動確定在線對話背后的情感基調(diào)。

情感分析模型可以采用不同的算法，具體取決于需要分析的數(shù)據(jù)量以及模型準確性的要求。下面我們將詳細介紹其中的一些算法。

1）基于規(guī)則的方法

通常情況下，基于規(guī)則的系統(tǒng)使用一套人為制定的規(guī)則來幫助識別主觀性、極性或觀點的主體。

這些規(guī)則可能包括在計算語言學(xué)中開發(fā)的各種NLP技術(shù)，例如：詞干提取、標記化、詞性標記和解析、詞典（即單詞和表達式列表）。

下面是基于規(guī)則的系統(tǒng)如何工作的基本示例：

1.定義兩個極化詞表（負面詞表，如壞、最差、丑等和正面詞表，如好、最好、美麗等）。

2.計算給定文本中出現(xiàn)的正面和負面詞語的數(shù)量。

3.如果正面詞語出現(xiàn)的次數(shù)大于負面詞語出現(xiàn)次數(shù)，系統(tǒng)就會返回正面情感，反之亦然。如果兩者相等，系統(tǒng)將返回中性情感。

基于規(guī)則的系統(tǒng)非?；A(chǔ)，因為它們沒有考慮單詞在序列是如何中組合的。當然，可以使用更先進的處理技術(shù)，并添加新規(guī)則以支持新的表達和詞匯。但是，添加新規(guī)則可能會影響以前的結(jié)果，整個系統(tǒng)可能會變得非常復(fù)雜。由于基于規(guī)則的系統(tǒng)通常需要微調(diào)和維護，因此也需要定期投資。

 

2）自動方法

與基于規(guī)則的系統(tǒng)相反，自動方法不依賴于人工制定的規(guī)則，而是依賴于機器學(xué)習(xí)技術(shù)。情感分析任務(wù)通常被建模為一個分類問題，分類器收到文本后會返回一個類別，例如正面、負面或中性。

下面介紹機器學(xué)習(xí)分類器的實現(xiàn)方式：

• 訓(xùn)練和預(yù)測過程

在訓(xùn)練過程（a）中，我們的模型會根據(jù)用于訓(xùn)練的測試樣本，學(xué)習(xí)將特定輸入（即文本）與相應(yīng)的輸出（標簽）相關(guān)聯(lián)。特征提取器將文本輸入轉(zhuǎn)化為特征向量。特征向量和標簽對（例如正面、負面或中性）被輸入到機器學(xué)習(xí)算法中以生成模型。

在預(yù)測過程（b）中，特征提取器用于將看不見的文本輸入轉(zhuǎn)換為特征向量。然后將這些特征向量輸入模型，由模型生成預(yù)測標簽（同樣是正面、負面或中性）。

 

• 從文本中提取特征

機器學(xué)習(xí)文本分類器的第一步是轉(zhuǎn)換文本提取或文本矢量化，經(jīng)典方法是帶有詞頻的詞袋（bag-of-words）或詞組袋（bag-of-ngrams）。

如今，基于詞嵌入（也稱為詞向量）應(yīng)用了新的特征提取技術(shù)。這種表示使具有相似含義的詞可以具有相似的表示，從而提高分類器的性能。

 

• 分類算法

分類步驟通常涉及如樸素貝葉斯、線性回歸、支持向量機或神經(jīng)網(wǎng)絡(luò)等統(tǒng)計模型：

  樸素貝葉斯： 一系列概率算法，使用貝葉斯定理來預(yù)測文本的類別。

  線性回歸： 統(tǒng)計學(xué)中一種非常著名的算法，用于在給定一組特征 （X） 的情況下預(yù)測某個值 （Y）。

  支持向量機：一種非概率模型，它將文本示例表示為多維空間中的點。不同類別（情感）的示例被映射到該空間內(nèi)的不同區(qū)域。然后，根據(jù)與現(xiàn)有文本的相似性及其映射到的區(qū)域為新文本分配一個類別。

  深度學(xué)習(xí)： 一組多樣化的算法，試圖通過采用人工神經(jīng)網(wǎng)絡(luò)來處理數(shù)據(jù)的方法來模仿人腦。

 

3）混合方法

混合系統(tǒng)將基于規(guī)則和自動技術(shù)的理想元素組合到一個系統(tǒng)中。這些系統(tǒng)的一個巨大優(yōu)勢是結(jié)果往往更加準確。

 

04 情感分析的挑戰(zhàn)

情感分析是自然語言處理中最難的任務(wù)之一，因為即使是人類也很難準確分析情感。

數(shù)據(jù)科學(xué)家在創(chuàng)建更準確的情感分類器方面正在取得進步，但還有很長的路要走。

• 主觀性和語氣

文本分為兩類：主觀文本和客觀文本。客觀文本不包含明確的情感，而主觀文本則包含。

大多數(shù)人會說，第一個情緒是積極的，第二個是中性的，對嗎？所有謂語（形容詞、動詞和一些名詞）在如何創(chuàng)造情感方面都不應(yīng)該一視同仁。在上面的例子中，好看比紅色更主觀。

 

• 語境和極性

所有的話語都是在某個時間、某個地方、對某些人說出來的。所有話語都在語境中說出的，在沒有上下文的情況下分析情感相當困難。如果沒有明確提及上下文，機器就無法了解語境，語境引起的問題之一是極性的變化。查看以下回復(fù)：

關(guān)于它的一切。

絕對沒有！

想象一下，上面的回答來自問題“你喜歡這個活動的哪些方面？”第一個反應(yīng)是積極的，第二個反應(yīng)是消極的，對嗎？現(xiàn)在，設(shè)想這些回答來自對問題“你不喜歡這次活動的哪些方面？”問題中的否定會讓情感分析完全改變。

如果我們要至少考慮到產(chǎn)生文本的部分背景，就需要進行大量的預(yù)處理或后處理。然而，如何對數(shù)據(jù)預(yù)處理或后處理，以捕獲有助于情感分析的上下文信息，并不是一件簡單的事。

 

• 諷刺和挖苦

說到諷刺和挖苦，人們會用正面的詞語來表達自己的負面情緒，如果不全面了解表達情緒的情境，機器就很難察覺。

例如，查看以下問題的一些可能答案：

你會為上述回答賦予什么情感？第一個帶感嘆號的回答可能是負面的，對嗎？問題是沒有文本線索可以幫助機器學(xué)習(xí)，或者至少可以質(zhì)疑這種情感，因為 "是的 "和 "當然 "通常屬于正面或中性文本。

那么第二個回答呢？在這種情況下，情緒是積極的，但我們相信你可以想出很多不同的情況，在這些情況下，同樣的回答可以表達負面情緒。

 

• 比較

如何在情感分析中處理比較是另一個值得解決的難題。

第一次比較不需要任何上下文線索即可正確分類。很明顯，這是正面的。

不過，第二和第三文本有點難以分類。你會將它們歸類為中性、正面甚至負面嗎？同樣，語境也會產(chǎn)生影響。例如，如果第二個文本中的“舊工具”被認為是無用的，那么第二個文本與第三個文本非常相似。

 

• 表情符號

據(jù)研究，有兩種類型的表情符號。西方表情符號（例如:D）只用一兩個字符編碼，而東方表情符號（例如 ? \ （ツ） / ?）則是一個較長的豎排字符組合。表情符號在文本的情感表達中起著重要作用，尤其是在推文中。

在對推文進行情感分析時，需要特別注意字符級以及單詞級，可能還需要大量的預(yù)處理。例如，您可能希望預(yù)處理社交媒體內(nèi)容，將西方和東方表情符號轉(zhuǎn)化為標記并將其列入白名單（即始終將它們作為分類目的的特征），以幫助提高情感分析性能。

 

• 定義中性

為了進行準確的情感分析，定義中性的含義是另一個需要解決的難題。與所有分類問題一樣，定義類別-在本例中定義中性標簽，是問題最重要的部分之一。在訓(xùn)練情感分析模型時，中性、正面或負面的含義確實很重要。由于標記數(shù)據(jù)要求標記標準保持一致，因此必須對問題進行良好的定義。

以下是一些可幫助您識別和定義中性文本的想法：

1）客觀文本

所謂的客觀文本不包含明確的情緒，因此您應(yīng)該將這些文本歸入中性類別。

 

2）無關(guān)信息

如果您尚未對數(shù)據(jù)預(yù)處理以過濾掉無關(guān)信息，則可以將其標記為中性。但要注意的是，只有當您知道這樣做會如何影響整體性能時，才能執(zhí)行此操作。有時，您會給分類器添加噪音，導(dǎo)致性能變差。

 

3）包含愿望的文本

比如，“我希望產(chǎn)品有更多的集成”這種愿望通常是中性的。但是，像 "我希望產(chǎn)品更好 "這樣包含比較的愿望就很難歸類了。

 

• 人工注釋器準確性

平均而言，在情感分析方面，標注者之間的一致性（衡量兩個或更多人工標記者做出相同注釋決策的能力）非常低。由于機器是從標記的數(shù)據(jù)中學(xué)習(xí)的，情感分析分類器可能不如其他類型的分類器精確。

盡管情感分析預(yù)測并不那么準確，但情感分析依然值得我們付出努力。靈驗喵CEM的情感分析模型，可以讓您在提交文本進行分類時，大大提升情感分析預(yù)測的準確性。對于典型的使用案例，例如工單流轉(zhuǎn)、品牌監(jiān)控和VoC分析，您將在繁瑣的人工上節(jié)省大量時間和資金。

內(nèi)容參考：MonkeyLearn,Sentiment Analysis: A Definitive Guide