Hello 大家好！歡迎回來！昨天剛剛分享完語音識別 (Speech Recognition)，那今天我打算跟大家分享情感分析 (Sentiment Analysis)。事不宜遲，現在開始！

簡介

情感分析是一個計算上的過程，用於識別和分類在文本數據中表達的意見、情感和態度。它利用自然語言處理 (NLP) 技術和機器學習算法來分析文本內容，將其分類為積極、消極或中性。情感分析實現了對大規模情感的自動化理解，使企業和組織能夠從客戶反饋、社交媒體帖子、評論等方面獲得有價值的洞察。
例如：由「產品 A 簡直係垃圾」這句句子 (input) 有「唔滿意」的情緒。
[1]

類型

• 精細評分
  精細的情緒分析是指將文字意圖分類為多個層級的情緒。此方法涉及將使用者情緒評分為 0 到 100，每個相等區段代表非常正面、正面、中性、負面和非常負面。電子商店使用 5 星級評分系統作為精細評分方法來衡量購買/使用體驗。
  [2]
• 特徵型
  特征型分析著重於產品或服務的特定方面。例如，筆記型電腦製造商會針對客戶在聲音、圖形、鍵盤和觸控板方面的使用體驗進行調查。他們使用情緒分析工具，將客戶意圖與硬體相關的關鍵字聯繫起來。
  [3]
• 意向型
  意向型分析有助於在進行市場研究時了解客戶情緒。行銷人員使用意見挖掘來了解特定客戶群在購買週期中的位置。他們在受監控的對話中獲得諸如折扣、交易和評論等詞語後，對有興趣購買的客戶執行有針對性的行銷活動。
• 情緒檢測
  情緒檢測涉及分析一個人在寫下文字時的心理狀態。情緒檢測是情緒分析的一個更複雜的學科，因為它比僅僅按類別進行分類更深入。在這種方法中，情緒分析模型試圖透過個人對單詞的選擇來解釋各種情緒，例如喜悅、憤怒、悲傷和遺憾。

關鍵技術

• 文本預處理
  文本預處理包括清理和轉換原始文本數據，以提高情感分析的準確性。它包括去除標點符號、分詞、去除停用詞以及詞幹提取或詞形還原等任務。
• 特徵提取
  特徵提取是將文本轉換為機器學習算法可用的數字表示的過程。常用的特徵提取技術包括詞袋模型、TF-IDF (詞頻-逆文檔頻率) 以及詞嵌入技術如 Word2Vec 和 GloVe。
• 監督學習
  監督學習算法通過訓練標記數據，其中每個文本樣本與情感標籤 (例如積極、消極或中性) 相關聯。在情感分析中常用的算法包括朴素貝葉斯、支持向量機 (SVM) 以及循環神經網絡 (RNN) 和卷積神經網絡 (CNN) 等深度學習模型。
• 面向方面的情感分析
  面向方面的情感分析不僅僅關注整體情感分類，還旨在識別對產品、服務或主題的特定方面或特徵的情感。它通過將意見與特定實體或屬性相關聯，提供更細緻的情感理解。
  [4]

面臨的挑戰

• 諷刺
  電腦很難分析包含諷刺的句子中的情緒。請考慮下面的句子：「是的，真的很好。我的訂單花了三個星期才到達。」除非電腦在完全理解情況下分析句子，否則它會根據「很好」一詞將體驗標記為正面。
• 否定
  否定是使用否定詞來傳達句子含義的反面意思。例如，我不會說訂閱昂貴。情緒分析演算法可能難以正確解釋這些句子，尤其是如果否定發生在兩個句子之間，例如，我認為訂閱很便宜。它並不便宜。
• 多重性
  當句子包含多個情緒時，就會發生多重性。例如，有這樣一條產品評論，我對結實的構造很滿意，但對顏色不滿意。軟體很難解譯基礎情緒。你需要使用特征型情緒分析來擷取每個實體及其對應的情緒。

應用領域

• 品牌監控
  情感分析幫助企業監控和分析與其品牌、產品或服務相關的情感。它使他們能夠評估客戶滿意度，識別潛在問題並基於數據做出改善品牌聲譽的決策。
• 社交媒體分析
  情感分析在社交媒體監控中得到廣泛應用，用於理解公眾意見、分析趨勢以及追蹤對特定話題或事件的情感。它幫助企業和組織獲得有關客戶偏好和在社交媒體平台上分享的情感的洞察。
• 客戶反饋分析
  情感分析使組織能夠分析來自調查、評論和客戶支持互動等來源的客戶反饋。它幫助他們識別改進領域，解決客戶問題，提升整體客戶體驗。
• 市場研究
  情感分析是市場研究中的一個有價值的工具，提供有關消費者偏好、對產品或廣告的情感以及競爭分析的洞察。它幫助公司了解市場趨勢，並相應地制定其營銷策略。
• etc...

參考資料

• 什麽是情緒分析 [1]
• 評分圖案 [2]
• Badlion Client Survey [3] (我在這間公司工作 xD)
• 情感分析方法 [4]

我是 Mr. cobble，明天見！