這應該是一個最近常聽到的議題吧？

因為已經漸趨成熟，所以不管在研究理論或者實務上，情緒分析都已經慢慢成為一個普遍化的領域。

情緒分析（Sentiment Analysis）、意見探勘（Opinion Mining）這兩個其實是相似甚至相通的東西，都是在說利用資料去了解背後情緒的技術。

這其實是從前面我們有說到的文字探勘延伸而來，今天我們就來聊聊這項有趣的技術吧！

情緒分析/意見探勘

其實意見探勘在很早之前就已經有流行過一陣子了，在2015年左右，因為NLP有一陣更新，所以情緒分析也跟著紅了起來。

許多人將其用在了社群媒體的風向探測、行銷/營銷的數據分析、消費者喜好等等方面，也有得到一些不錯的會饋。

而最近又流行起來，主要變的是「使用的資料不只文字，還加入的聲音、影像，甚至三種合一的混和方法」。

我們應該可以很直觀的判斷，當要了解一個人表達的情緒時，得到資訊的程度應該如下圖：

短文＜短文＋表情符號＜長文＜說話≒動作影像＜影片（聲音＋影像）＜文本＋影片（聲音＋影像）

1. 從一個短短的字句中可以了解表達的內容，但加入了表情符號可以更理解內心的情緒活動
2. 長文章中因為文字增多，所以可以有更多的情緒變化參照
3. 說話和動作因為有額外的判斷（聲調、身體動作與臉部表情），所以可以更加精確
4. 如果兩個相加，有了對比，程度理所當然會再往上一些，因為各自的判別可能會有各自的誤判，有了組合後，可以減少誤判
5. 最後是三個對比，理論上精確度是最高的

實際研究做出來的結果也是這樣的。

所以理所當然，在實務上也慢慢被推展開來，不過運用的領域範圍卻不是在什麼論壇、留言區了（畢竟大部分的留言都是文字，少見留影片或聲音），目前比較常看到用在直播主、CEO等等的分析，這如果我們之後有時間再來講XD

技術上的重點簡述

1. 數據收集
   如字面意思，不管是預先下載網路上已經整理好的資料集，或是選定目標後自行去網路中尋找自己有興趣的資料，都可以。

   想要分析資料，有資料可以做至少是第一步吧。

2. 資料預處理
   剛收集到的資料不會是漂亮的，裡面一定包含滿滿對分析無用的資訊，比如缺失值（空白）、亂碼等等，要等我們把它洗乾淨後，之後分析跑出來的資訊才會是漂亮且高品質的。

   除了文字的部分，帶有方言口音的聲音資料、沒有看鏡頭的影片資料，也都算是無用資料之一。

3. 資料標註
   主要是在使用監督是學習、辦監督是學習方法時需要經歷的過程，這個動作可以增加最後的準確度。

   這是一個比較繁瑣的過程，因為需要有額外的人工去對每一個文字、音訊、影像做標註。

   比如對於文字，會標註 -1（負面）、0（中性）或、1（正面），通常在跑的時候會設置一個「字典」，裡面會去定義說那些文字是正面、那些是負面。

   而對於臉部表情，也有憤怒、厭惡、恐懼、幸福、悲傷、驚訝和蔑視等七大類型，最後的第⼋類「中性」則是用以標記不屬於七大類型中的「其他」。

4. 情緒分析
   最後在跑模型的時候，不會是全部一起跑，而是三種（文字、聲音、影像）分開跑，最後再組合起來。

5. 多模態分析混合方法
   多模態分析就是所謂的文字、聲音、影像三種混合使用以預測的方法，可以是兩種相加，也可以是三種。

   在這一步有許多不同的模醒與方法，美種方法都有各自的優點和試用情境，需要在使用時自行選擇。

面臨的困難

其實遭遇到最大的困難就是人類語言的複雜性，誰叫我們那麼愛用各種諷刺和說反話呢？這幾乎是在全世界語言中都會遇到的問題。

1. 諷刺－－
   電腦最難懂的就是人類的諷刺情緒和語句，如果他們有思想，可能會覺得人類很複雜吧（笑）

   比如：「送貨速度真的超快，我的貨等了三個月才來！」、「這家的面真的讚死了，裡面竟然特麼的有蟑螂！」，這兩句模型看完後，都會歸類到正面的。

   不知道消費者看到這個結果會有什麼感想，但分析人員已經哭倒在地板上了。

2. 雙否定－－
   「沒有一個人不喜歡這個酷東西！」、「我不覺得這很貴」，這幾種的都算是。

   模型也會不了解：所以你是喜歡呢？還是不喜歡？因為你的句子中出現了不喜歡，他能就直接算成負面詞了；而後者也是，因為出現了「貴」這個負面詞，可能會影響分數。

   所以在使用情緒分析的時候，詞語很重要，上下文也很重要，但如果只關注句子的話又可能會出現下面的問題。

3. 多重性－－
   當一句話中包含很多種情緒的時候，模型有時候會很難判別，除非要每一個詞獨自算做一種正／負面，然後再去加總。比如：「我覺得整支手機的設計我都超愛，但是這個電池太快沒電了！」

看完今天的文章，對情緒分析有多一點理解嗎XD