راهنمایی برای تجزیه و تحلیل احساسات: چیست و چگونه کار می کند؟

بسیاری از جوانب مثبت به شما احتیاط می کنند که احساسات منفی به اعتبار تجاری برند شما در وب آسیب می رساند. این راهنما را بخوانید تا درک کنید که واقعاً چیست ، تجزیه و تحلیل احساسات چگونه کار می کند و تصمیم می گیرید که آیا باید از آن استفاده کنید.

20 دقیقه بخوانید

تجزیه و تحلیل احساسات کلمه کلیدی نهایی است. و همانطور که Buzzwords پیش می رود ، این مفهومی است که اغلب اشتباه درک می شود.

در Awario ، ما یک سیستم تجزیه و تحلیل احساسات برند ارائه می دهیم ، و از زمان انتشار آن ، سوالات زیادی در مورد احساسات دریافت کرده ایم.

با هر شانس ، این راهنما به شما کمک می کند تا در مورد تجزیه و تحلیل احساسات بیشتر درک کنید: از نحوه استفاده از آن به Ins و Outs از مکانیک و تکنیک های NLP در پشت آن.

بیایید با فیل یک سوال شروع کنیم:

تجزیه و تحلیل احساسات چیست؟

تجزیه و تحلیل احساسات ، همچنین به نام معدن نظر ، فرایند تعیین احساسات (که اغلب به عنوان احساسات مثبت ، منفی یا خنثی طبقه بندی می شود) است که توسط کسی نسبت به یک موضوع یا پدیده بیان می شود.

در زمینه گوش دادن اجتماعی و مدیریت شهرت آنلاین ، تجزیه و تحلیل احساسات بیشتر برای ضبط صدای مشتری و تعیین نگرش مصرف کنندگان نسبت به یک برند ، شرکت ، محصول یا شخص مورد استفاده قرار می گیرد.

تجزیه و تحلیل احساسات چگونه استفاده می شود؟

تجزیه و تحلیل احساسات مسلماً مهمترین چیزی است که باید در یک ابزار گوش دادن اجتماعی جستجو کنید. از تجزیه و تحلیل سلامت برند گرفته تا بهبود خدمات به مشتری ، در اینجا برخی از موارد اصلی ابزارهای تحلیل احساسات به شما کمک می کنند.

1. نظارت بر سلامت برند

تجزیه و تحلیل احساسات بخش مهمی از نظارت بر برند شما و ارزیابی سلامت برند است. در داشبورد نظارت بر رسانه های اجتماعی خود ، نسبت به ذکرهای مثبت و منفی در مکالمات مربوط به برند خود توجه داشته باشید و به مضامین کلیدی در هر دو بازخورد مثبت و منفی توجه کنید تا یاد بگیرید که مشتریان شما تمایل به ستایش و شکایت بیشترین شکایت دارند.

هنگامی که به سهم ذکرهای مثبت در مکالمات اطراف برند خود ، سپس موارد منفی و سپس موارد خنثی نگاه می کنید ، با سه شماره کار می کنید ، که این یک روش ایده آل برای اندازه گیری یک چیز نیست.

احساسات خالص یک متریک است (یک شماره در مقیاس ا ز-1 تا 1) که به شما نشان می دهد که برند شما چگونه احساسات را انجام می دهد.

به عبارت دیگر ، احساسات خالص به شما نشان می دهد که آیا شما ذکرهای مثبت تر یا منفی تری دارید (فقط در نظر می گیرد که شامل کلمات قطبی مانند خوب و بد است) و با چه میزان.

در اینجا یک مثال آورده شده است: در نمودار احساسات برای ذکر کانیه وست در بالا، می توانید ببینید که 16. 5٪ ذکر مثبت و 20. 7٪ موارد منفی وجود دارد.

این واقعیت که عدد منفی است به ما می گوید که ذکر منفی بیشتر از موارد مثبت است. خود ارزش - که مکالمات منفی 11. 2٪ غالب است.

2. بحران های شهرت را زودتر تشخیص دهید

افزایش نام های منفی استارباکس ناشی از شایعات تهدیدات سلامتی است. اسکرین شات از Awario.

تجزیه و تحلیل احساسات فقط برای تجزیه و تحلیل رسانه های اجتماعی و گزارش استفاده نمی شود. به همان اندازه مهم است که روزانه وارد داشبورد شنیداری اجتماعی خود شوید و مراقب هرگونه افزایش در ذکر منفی باشید – به این ترتیب، می‌توانید زودهنگام با بحران شهرت روبرو شوید و از تبدیل آن به یک فاجعه کامل جلوگیری کنید.

در Awario، با کمک Insights، می‌توانید دلایل افزایش حجم مکالمات منفی یا مثبت را نیز درک کنید. با کلیک بر روی این بینش‌ها، می‌توانید در داده‌های تاریخی و هم‌زمان عمیق‌تر شوید و ببینید چه چیزی باعث هجوم اشاره‌های منفی (یا مثبت) شده است.

هنگامی که اشاره های منفی آن در وب با سرعت هشدار دهنده ای افزایش می یابد، تجزیه و تحلیل احساسات کامل می تواند شهرت برند شما را حفظ کند. همچنین، به شما کمک می کند تا ریشه های عملکرد مثبت و منفی را شناسایی کنید.

با ثبت نام، با شرایط استفاده و سیاست حفظ حریم خصوصی موافقت می کنم

3. عملکرد کمپین ها را پیگیری کنید

به همان روشی که برندتان را زیر نظر دارید، می‌توانید اشاره‌هایی به کمپین‌های بازاریابی، همکاری‌ها، رویدادهایی که سازماندهی می‌کنید یا به معنای واقعی کلمه هر ابتکار دیگری از سوی شرکتتان که باعث ایجاد سر و صدای آنلاین می‌شود را دنبال کنید.

درست مانند نظارت بر برند، می‌توانید از تجزیه و تحلیل احساسات برای اندازه‌گیری احساسات کلی در اطراف کمپین استفاده کنید و برای شناسایی دلایل پشت آن‌ها به دنبال جهش باشید. به عنوان یک نکته سریع، Awario تجزیه و تحلیل احساسات چند زبانه را ارائه می دهد، بنابراین می توانید نحوه عملکرد کمپین خود را در سراسر جهان پیگیری کنید.

4. تجزیه و تحلیل رقبا را انجام دهید

نظارت بر احساسات رقبا به شما کمک می کند تا ببینید مشتریان بیشتر (و کمترین) در مورد کدام جنبه از محصولاتشان هیجان زده هستند. علاوه بر این، احساسات رقیب همچنین می تواند به عنوان معیاری برای تجزیه و تحلیل احساسات در پس ذکر نام تجاری و محصول خود عمل کند.

فرض کنید، 50٪ از اشاره های شما مثبت، 40٪ منفی، و بقیه خنثی هستند. چگونه می‌دانید که بدون معیار، چیز خوبی است یا بد؟

برای ارزیابی سریع موقعیت شما از نظر احساسات، تجزیه و تحلیل احساسات برای همه رقبای خود به صورت ترکیبی می تواند مفید باشد.

اگر در حال تشخیص ذکرهای مثبت و منفی با Awario هستید ، لازم نیست این را به صورت دستی محاسبه کنید - فقط به گزارش مقایسه هشدار بروید و همه رقبای خود را انتخاب کنید تا احساسات کل آنها را ببینید. از آنجا می توانید از آن به عنوان معیار برای احساسات خود استفاده کنید.

5. مراقبت از مشتری را بهبود بخشید

نظارت بر احساسات مشتری و درک نحوه احساس آنها در مورد محصولات یا خدمات شما همچنین می تواند به تیم پشتیبانی مشتری شما کمک کند تا کار خود را در اولویت قرار دهد.

اطمینان حاصل کنید که ابتدا به ذکر اشاره های حاوی کلمات منفی در مورد برند خود (به ویژه مواردی که دسترسی بالاتر دارند) بپردازید - در Awario ، می توانید این کار را با استفاده از فیلترها در خوراک ذکرهای خود انجام دهید.

اگر این مکالمات منفی را در اوایل شبکه های اجتماعی بدست آورید ، احتمالاً می توانید وضعیت این مشتری خاص را تغییر دهید و تجربه مشتری را برای سایر مصرف کنندگان بهبود بخشید.

با ثبت نام، با شرایط استفاده و سیاست حفظ حریم خصوصی موافقت می کنم

تجزیه و تحلیل احساسات چگونه کار می کند؟

در زبان علوم داده ، تجزیه و تحلیل احساسات یک مشکل طبقه بندی است: الگوریتم با قطعات متنی ارائه می شود که باید به عنوان مثبت ، منفی یا خنثی طبقه بندی شوند. این مشکل معمولاً با کمک پردازش زبان طبیعی (NLP) در یکی از این سه روش حل می شود: یادگیری ماشین نظارت شده ، تکنیک های مبتنی بر قانون یا ترکیبی از دو رویکرد.

بیایید نگاهی به هر یک از این مدل های تجزیه و تحلیل احساسات بیندازیم.

1. یادگیری ماشین تحت نظارت (ML)

در یادگیری ماشین نظارت شده ، این سیستم با مجموعه کاملی از داده های برچسب خورده برای آموزش ارائه می شود. این مجموعه داده شامل اسنادی است که احساسات آنها قبلاً توسط ارزیابان انسانی (دانشمندان داده) تعیین شده است. سپس رایانه طبقه بندی کننده های تجزیه و تحلیل احساسات را از مجموعه آموزش یاد می گیرد و داده های ورودی جدید (مجموعه آزمون) را برچسب می زند.

به عبارت دیگر ، با استفاده از ML ، شما می توانید توابع سطح پایین را برای تجزیه و تحلیل متن به صورت خودکار انجام دهید که تجزیه و تحلیل احساسات به آن متکی است.

الگوریتم های طبقه بندی مختلف و شبکه های عصبی می توانند در این مدل تجزیه و تحلیل احساسات ، مانند خلیج های ساده لوح ، رگرسیون لجستیک ، دستگاه های بردار پشتیبانی و سایر موارد استفاده شوند.

صرف نظر از رویکرد ، سیستم معمولاً نمره ای را به همه مباحث ، دسته ها ، کلمات و عبارات موجود در متن مورد نظر برای بازتاب احساسات آن اختصاص می دهد: بگویید ، در مقیاس ا ز-1 برای "بسیار منفی" به 1 برای "بسیار مثبت"'. سپس این نمرات برای همه کلمات موجود در متن اضافه می شود و براساس تعداد کلمات موجود در آن تقسیم می شود تا نمره متوسط کسب شود.

از آنجا، تعیین مرزهای خاص به عهده محقق است. به عنوان مثال، می توانید بگویید که نمره کلی بی ن-1 و-0. 33 باید به معنای منفی بودن عبارت باشد، از 0. 33- تا 0. 33 برای خنثی و 0. 33 تا 1 برای مثبت استفاده کنید.

مزایا: تکنیک‌های یادگیری ماشینی تحت نظارت، امکان ایجاد مدل‌های آموزش‌دیده را فراهم می‌کنند که برای هدف خاص تجزیه و تحلیل داده‌ها طراحی شده‌اند.

معایب: این مدل ها اغلب سازگاری ضعیفی بین دامنه ها یا سبک های نوشتاری مختلف دارند.

2. روش های مبتنی بر قانون

یک سیستم مبتنی بر قانون از مجموعه ای از قوانین ساخته شده توسط انسان (و به صورت اختیاری غنی شده توسط ماشین) برای تجزیه و تحلیل متن استفاده می کند. این قوانین معمولاً شامل احساسات (یعنی فرهنگ لغات کلمات و عبارات از پیش برچسب‌گذاری شده) می‌شوند.

در اینجا یک مثال بسیار اساسی از شکل ظاهری یک فرهنگ لغت آورده شده است:

هنگامی که سیستم در حال کار است، اولین گام این است که به دنبال کلمات از فرهنگ لغت در متنی که در حال تجزیه و تحلیل است بگردید (استخراج نهاد).

از آنجا، ریاضیات مانند مدل‌های یادگیری ماشینی است: نمرات هر کلمه را جمع کنید و نتیجه را بر تعداد کلمات تقسیم کنید تا به میانگین برسید.

در نهایت، احساس متن را بر اساس مرزهایی که برای مثبت، منفی و خنثی تعیین می کنید، تعیین کنید.

جمله زیر را به عنوان مثال در نظر می گیریم:

قهوه خوب بود، اما غذا وحشتناک بود.

از آنجایی که این متن شامل دو کلمه از فرهنگ لغت ما است، امتیاز این خواهد بود:

(0 + (-1)) / 2 = -1 / 2 = -0. 5

اگر تصمیم گرفتید که امتیاز بی ن-1 و-0. 33 به این معنی است که عبارت منفی است، آن را دارید - این جمله توسط سیستم به عنوان منفی برچسب‌گذاری می‌شود.

مزایا: ساختن سیستم‌های مبتنی بر قانون آسان‌تر از بکارگیری تکنیک‌های ML است، و اغلب به اندازه الگوریتم‌های یادگیری ماشینی، منابع سنگینی ندارند. آنها همچنین کنترل کامل واژگان را به محقق می دهند و بنابراین می توانند پوشش اصطلاحی بهتری داشته باشند.

معایب: سیستم های مبتنی بر قانون اساسی به کلمات یا عبارات جداگانه نگاه می کنند و نه نحوه استفاده از آنها در یک دنباله. افزودن قوانین جدید ممکن است کمک کند، اما در نهایت، کل سیستم می تواند بسیار پیچیده شود. علاوه بر این، تعداد کلمات در فرهنگ لغت محدود است، که ممکن است برای پردازش زبان طبیعی در محیط های پویا مشکل ایجاد کند (من به شما، رسانه های اجتماعی نگاه می کنم). به عبارت دیگر، فناوری مبتنی بر واژگان اغلب به تنظیم دقیق پیوسته نیاز دارد.

3. رویکردهای ترکیبی

بعضی اوقات ، توسعه دهندگان نرم افزار برای بهبود دقت احساسات بدون قربانی کردن عملکرد ، یادگیری ماشین تحت نظارت و رویکردهای مبتنی بر واژگان را ترکیب می کنند.

این تکنیک ها را می توان در کنار یکدیگر به روش های مختلف استفاده کرد ، اما معمولاً یک سیستم مبتنی بر قانون (که به طور معمول سریعتر از الگوریتم های ML است) سعی در طبقه بندی احساسات یک بیانیه خواهد داشت. اگر درجه خاصی از اعتماد به نفس حاصل نشود (به عنوان مثال ، هنگامی که تعداد کمی یا هیچ کلمه ای از جمله در واژگان موجود نیست) ، از طبقه بندی کننده یادگیری ماشین برای شناسایی احساسات بیانیه استفاده می شود.

جوانب مثبت: رویکردهای هیبریدی می توانند از روشهای یادگیری قانون و ماشین آلات برخوردار باشند و به شرکت هایی که از این نوع تجزیه و تحلیل احساسات استفاده می کنند ، کمک می کند تا بینش بازاریابی بهتری داشته باشند. آنها می توانند بیشتر اوقات از مزایای تکنیک های مبتنی بر واژگان برخوردار باشند ، اما از آنها در دقت فراتر می روند تا اظهاراتی را به خود اختصاص دهند که احساسات آنها با یک رویکرد مبتنی بر قانون به راحتی قابل شناسایی نیست.

منفی: به طور طبیعی ، این سیستم ها بیشترین زمان و تلاش را برای ساخت دارند.

4. پشتیبانی از هر زبان

شما آن را درست خوانده اید - الگوریتم احساسات برای هر زبانی که در آنجا کار می کند کار می کند! ما آزمایشات گسترده ای را برای زبانهایی انجام داده ایم که بیشتر در مورد کاربران Awario (انگلیسی ، فرانسوی ، اسپانیایی ، آلمانی و پرتغالی) و همچنین تست های کوچکتر برای سایر زبانها انجام شده است و خوشحالیم که می گویند صحت تجزیه و تحلیل احساسات برای NOزبان زیر 65 ٪ است.

تجزیه و تحلیل احساسات چقدر دقیق است؟

صحت تجزیه و تحلیل احساسات اصطلاحی است که برای اشاره به میزان خروجی سیستم تجزیه و تحلیل احساسات با ارزیابی های انسانی است.

با این حال ، همانطور که به نظر می رسد ساده نیست - تحقیقات نشان می دهد که رأی دهندگان انسانی فقط بین 65 تا 80 درصد از زمان با یکدیگر موافق خواهند بود.

برای پیروی از بیانیه ، می توانید این را بیان کنید تا بگویید:

احساسات غالباً ذهنی است و همین امر باعث می شود دقت اندازه گیری شود. به طور متوسط ، محققان موافق هستند که یک سیستم تجزیه و تحلیل احساسات باید حداقل 50 ٪ دقیق باشد تا مؤثر باشد. دقت بیش از 65 ٪ خوب در نظر گرفته می شود ، حتی اگر ممکن است چشمگیر به نظر نرسد.

Awario با دقت تجزیه و تحلیل احساسات خود بیش از 70 ٪ ، تقریباً و انسان نیز انجام می دهد.

همچنین دلیل دیگری وجود دارد که چرا دقت همیشه راه نهایی برای اندازه گیری میزان الگوریتم خوب نیست.

در اینجا یک مثال عالی از زمان آن نیست (بی ارتباط با تحلیل احساسات):

آیا شما اعتقاد دارید کسی که ادعا کرده است الگویی را کاملاً در ذهن خود ایجاد کند تا تروریست هایی را که سعی در پرواز با دقت بیش از 99 ٪ دارند ، شناسایی کنند؟خوب ، در اینجا مدل است: به سادگی هر شخصی را که از فرودگاه ایالات متحده پرواز می کند ، به عنوان یک تروریست نیست. با توجه به 800 میلیون مسافر متوسط در پروازهای ایالات متحده در سال و 19 تروریست (تأیید شده) که از 2000-2017 سوار پرواز ایالات متحده شده اند ، این مدل به دقت حیرت انگیز 99. 999999 ٪ دست می یابد! این ممکن است چشمگیر به نظر برسد ، اما من شک دارم که وزارت امنیت میهن ایالات متحده به زودی برای خرید این مدل تماس نمی گیرد. در حالی که این راه حل از دقت تقریباً کامل برخوردار است ، این مشکل موضوعی است که در آن دقت به وضوح یک معیار کافی نیست!

دو عامل دیگر که به محققان می گوید الگوریتم آنها چقدر خوب است و به یاد می آورند.

دقت درصد مواردی است که به درستی توسط X توسط سیستم در بین کلیه مواردی که توسط سیستم به عنوان X مشخص شده اند ، مشخص شده است.

به یاد بیاورید ، از طرف دیگر ، نسبت تعداد نمونه های x به طور صحیح توسط سیستم به کلیه موارد X در مجموعه داده مشخص شده است.

به عنوان مثال ، تصور کنید که ما یک مجموعه داده از 10 جمله داریم: 7 مورد از آنها توسط متخصصان انسانی به عنوان مثبت و 3 مورد منفی برچسب گذاری شده است.

یک سیستم تجزیه و تحلیل احساسات 5 بیانیه را مثبت مشخص می کند. از این 5 مورد ، فقط 3 مورد در واقع مثبت هستند (همانطور که توسط کارشناسان انسانی ارزیابی شده است).

دقت سیستم 3/5 است در حالی که فراخوان آن 3/7 است.

احتیاط تجزیه و تحلیل احساسات چیست؟

ما دیده ایم که تجزیه و تحلیل احساسات حتی برای انسان ها دشوار است ، چه رسد به ماشین آلات - اما چرا؟در اینجا بزرگترین چالش هایی که سیستم های تجزیه و تحلیل احساسات با آن روبرو هستند (این برای همه زبانها صادق است).

1. طعنه

هر نوع پردازش زبان طبیعی برای اسناد کوتاه مشکل است و تجزیه و تحلیل احساسات نیز از این قاعده مستثنی نیست. پست های رسانه های اجتماعی به طور کلی کوتاه تر از سایر انواع وب ، مانند مقالات خبری ، به این معنی است که اغلب زمینه کمی برای کار با آنها وجود دارد. این امر به ویژه برای اظهاراتی که طعنه آمیز یا طعنه آمیز هستند ، بسیار مهم است.

در بسیاری از موارد ، طعنه برای مردم کاملاً آشکار است ، اما تشخیص ماشین آلات بسیار مشکل است.

در اینجا یک مثال وجود دارد:

فقط 5 دقیقه طول کشید تا قهوه در استارباکس بخورم. شروع عالی روز!

فقط 30 دقیقه طول کشید تا قهوه در استارباکس بخورم. شروع عالی روز!

2. نفی

نفی ها ابزاری زبانی برای معکوس کردن معنای کلمات، عبارات و حتی کل جملات هستند. برای اهداف تجزیه و تحلیل احساسات، نه تنها شناسایی نفی مهم است، بلکه تشخیص اینکه کدام کلمات تحت تأثیر آن قرار می گیرند تا سیستم بتواند احساسات آنها را برگرداند، مهم است.

مانند طعنه، تفسیر نفی برای انسان ها بسیار آسان است، اما برای رایانه ها می تواند بسیار چالش برانگیز باشد.

نمی توانم بگویم که قهوه به خصوص خوب بود.

برای مقابله با نفی، الگوریتم‌های طبقه‌بندی احساسات اغلب احساس همه کلمات را که با کلمه نفی شروع می‌شوند و تا علامت نگارشی بعدی برمی‌گردانند. با این حال، این رویکرد ممکن است گاهی اوقات شکست بخورد، همانطور که در مثال زیر مشاهده می کنید.

امیدوارم قهوه عالی باشهاین نبود.

3. ابهام

کلمات احساسی، مانند عشق و نفرت، به راحتی برای انسان و ماشین قابل تفسیر هستند. با این حال، برخی از کلمات می توانند در یک زمینه منفی، و در زمینه دیگر خنثی یا مثبت باشند، مانند مثال زیر.

من تمایل دارم در تابستان قهوه یخی بنوشم.

وقتی بالاخره قهوه ام را گرفتم، هوا سرد بود.

4. چند قطبی

اغلب اوقات، متنی که تحلیل می‌کنید چندین احساس را به طور همزمان بیان می‌کند. وقتی متنی به شما ارائه می شود که یک احساس را نسبت به یک شی یا موضوع بیان می کند و یک احساس متفاوت را نسبت به دیگری بیان می کند، با چند قطبی سروکار دارید.

قهوه استارباکس بسیار بهتر از دانکین است.

(شرمانه: اگر می‌پرسید کدام یک بهتر است، به تجزیه و تحلیل گوش دادن اجتماعی ما در مورد این دو برند بروید.)

در این مورد، یک سیستم نظرکاوی اساسی ممکن است نتیجه بگیرد که احساس بیانیه مثبت است، بر اساس عبارت بسیار بهتر. با این حال، اگر برندی که شما نظارت می‌کنید Dunkin است، شرط می‌بندم که موافق نیستید. برای مقابله با چند قطبی، از رویکردی به نام تحلیل احساسات مبتنی بر جنبه استفاده می شود.

آیا از آنچه خواندید نتیجه ای گرفتید؟

امیدوارم این راهنما بینش مستقیمی در مورد تحلیل احساسات، کاربردها و چالش‌های آن ارائه دهد. برای یک لحظه، می توانید فکر کنید که استفاده از آن سخت است یا اصلاً برای بازاریابان بی فایده است. با این حال، بسته به اهداف خود، می توانید تجزیه و تحلیل احساسات را به راحتی با روال بازاریابی روزانه خود تطبیق دهید.

هنوز در مورد احساسات سوالی دارید؟لطفا اجازه دهید تا ما بدانیم! به صفحات اجتماعی ما بروید تا نظرات خود را بنویسید و سوالات خود را در آنجا بپرسید.

بازاریاب محتوا در Awario

وقتی وقتم را در شبکه های اجتماعی تلف نمی کنم، درباره آنها می نویسم. موضوعات مورد علاقه من تأثیر رسانه های اجتماعی بر ارتباطات ما و مزایایی است که برای متخصصان بازاریابی به ارمغان می آورد. شعار من این است که شما هرگز نمی توانید یادگیری در مورد بازاریابی رسانه های اجتماعی را متوقف کنید، همانطور که هرگز نمی توانید تعداد زیادی گیف توله سگ در یک پست وبلاگ داشته باشید.