تجزیه و تحلیل احساسات چیست؟با استفاده از NLP و ML برای استخراج معنی

تجزیه و تحلیل احساسات ، که شرکت ها را قادر می سازد ارزش عاطفی ارتباطات را تعیین کنند ، اکنون فراتر از تجزیه و تحلیل متن است که شامل صوتی و تصویری است.

تجزیه و تحلیل احساسات تعریف شده

تجزیه و تحلیل احساسات تکنیک تحلیلی است که از آمار ، پردازش زبان طبیعی و یادگیری ماشین برای تعیین معنی عاطفی ارتباطات استفاده می کند.

شرکت ها از تجزیه و تحلیل احساسات برای ارزیابی پیام های مشتری ، تعامل مرکز تماس ، بررسی آنلاین ، پست های رسانه های اجتماعی و سایر مطالب استفاده می کنند. تجزیه و تحلیل احساسات می تواند تغییرات در نگرش به شرکت ها ، محصولات یا خدمات یا ویژگی های فردی آن محصولات یا خدمات را ردیابی کند.

نمونه های تجزیه و تحلیل احساسات

یکی از برجسته ترین نمونه های تجزیه و تحلیل احساسات در وب امروز ، Hedonometer ، پروژه ای از آزمایشگاه داستان محاسباتی دانشگاه ورمونت است.

این گروه بیش از 50 میلیون توییت به زبان انگلیسی را هر روز ، حدود یک دهم از کل ترافیک توییتر ، برای محاسبه یک فروشگاه شادی روزانه ، تجزیه و تحلیل می کند.

این رویکرد از نظر محاسباتی ساده است. این آزمایشگاه مجموعه ای از 10،000 کلمه متداول را جمع آوری کرده و از طریق خدمات مکانیکی ترک آمازون ، مردم به هر کلمه نمره خوشبختی یک تا نه می دهند. کلمات خنثی و کلماتی که به شدت به متن وابسته هستند ، فیلتر می شوند و نمرات بقیه برای تعیین نمرات شادی روزانه اضافه می شوند و به طور متوسط می شوند. لیست های Word ، با نمرات ، در وب سایت پروژه به زبان انگلیسی و نه زبان دیگر موجود است.

این رویکرد "کیف کلمات" یک روش مدرسه قدیمی برای انجام تجزیه و تحلیل احساسات است ، می گوید: هایلی ساترلند ، تحلیلگر ارشد تحقیقاتی برای مکالمه هوش مصنوعی و کشف دانش هوشمند در IDC. او می گوید: "اما این می تواند برای مجموعه های بسیار زیادی از متن عالی باشد."

Hedonometer همچنین از یک مقیاس ساده و منفی ساده استفاده می کند ، که رایج ترین نوع تجزیه و تحلیل احساسات است.

در حالی که Hedonometer از مقیاس یک تا نه استفاده می کند ، سایر رویکردها از سه مقدار - مثبت ، منفی و خنثی استفاده می کنند یا درصدی فروشگاه می دهند. ساترلند می گوید ، رویکردهای ریز و درشت تر نیز می توانند احساسات دیگر را تشخیص دهند. او می گوید: "این با ابزار متفاوت است.""غمگین ، عصبانی و هیجان زده برخی از رایج ترین آنها هستند."

شرکت ها می توانند از این نسخه ظریف تر از تجزیه و تحلیل احساسات استفاده کنند تا تشخیص دهند که آیا مردم ناامید می شوند یا احساس ناراحتی می کنند.

نوع دیگری از تجزیه و تحلیل احساسات ، تشخیص هدف است. او می گوید: "شما می دانید که آنها چه اقدامی را انجام می دهند.""به عنوان مثال ، در فروش ، آیا آنها علاقه مند هستند یا علاقه ای به خرید ندارند؟"

تجزیه و تحلیل احساسات می تواند بیش از نگاه کردن به متن ساده انجام دهد. ساترلند می گوید: "برخی از تجزیه و تحلیل صورت استفاده می کنند ، برخی از سیگنال های صوتی استفاده می کنند.""به طور فزاینده ، من شرکت هایی را می بینم که واقعاً روی هوش مصنوعی عاطفی متمرکز هستند. با درک لحن صدا علاوه بر آنچه مردم واقعاً می گویند ، به عنوان مثال درک طعنه ساده تر است. "

نمونه های عمومی تجزیه و تحلیل احساسات فراوان است. دولت اوباما برای اندازه گیری افکار عمومی از تجزیه و تحلیل احساسات استفاده کرد. پروژه اطمینان واکسن سازمان بهداشت جهانی از تجزیه و تحلیل احساسات به عنوان بخشی از تحقیقات خود استفاده می کند و به رسانه های اجتماعی ، اخبار ، وبلاگ ها ، ویکی پدیا و سایر سیستم عامل های آنلاین می پردازد.

در این بهار Google Cloud راه حل تأثیر هوشمندانه خود را منتشر کرد ، که شامل یک مؤلفه تجزیه و تحلیل احساسات است تا آژانس های دولتی بتوانند تلاش های ارتباطی خود را بهتر هدف قرار دهند و در تغییر عقاید و رفتارهای پیرامون واکسیناسیون COVID-19 را درک کنند.

ساترلند می گوید: "این به ایالت ها و شهرداری های مختلف کمک می کند تا استراتژی های واکسیناسیون Covid خود را آگاه سازند."

ابزارهای تجزیه و تحلیل احساسات

سطح اساسی تجزیه و تحلیل احساسات شامل آمار یا یادگیری ماشین بر اساس الگوریتم های یادگیری تحت نظارت یا نیمه نظارت است. همانطور که با Hedonometer ، یادگیری تحت نظارت انسان ها را برای به دست آوردن یک مجموعه داده ها درگیر می کند. با یادگیری نیمه تحت نظارت ، ترکیبی از یادگیری خودکار و بررسی های دوره ای وجود دارد تا اطمینان حاصل شود که الگوریتم به درستی کارها را می گیرد.

یادگیری عمیق وسیله دیگری است که با استفاده از آن تجزیه و تحلیل احساسات انجام می شود. Sutherland IDC می گوید: "یادگیری عمیق از شبکه های عصبی چند لایه استفاده می کند که از نحوه عملکرد مغز انسان الهام گرفته شده است."این سطح پیچیده تر از تجزیه و تحلیل احساسات می تواند به جملات کامل ، حتی مکالمات کامل ، برای تعیین احساسات نگاه کند و همچنین می تواند برای تجزیه و تحلیل صدا و فیلم استفاده شود.

همه بازیکنان بزرگ ابر ابزارهای تجزیه و تحلیل احساسات را ارائه می دهند ، مانند سیستم عامل اصلی پشتیبانی مشتری و فروشندگان بازاریابی. ساترلند می گوید ، فروشندگان AI مکالمه نیز شامل ویژگی های تحلیل احساسات هستند.

Boris Evelson ، معاون رئیس جمهور و تحلیلگر اصلی در تحقیقات Forrester می گوید ، شرکت های علاقمند به انجام تجزیه و تحلیل احساسات باید ابتدا به ابزارها و فناوری هایی که قبلاً از آنها استفاده می کنند نگاه کنند."آیا آنها یک ابزار نظرسنجی دارند که تجزیه و تحلیل احساسات در آن وجود دارد؟سیستم عامل های مدیریت بازخورد مشتری همچنین تجزیه و تحلیل احساسات اساسی یا بسیار مناسبی دارند. "

به گفته وی ، ابزارهای تجزیه و تحلیل با هدف کلی نیز وجود دارد که دارای تجزیه و تحلیل احساسات مانند IBM Watson Discovery و Micro Focus Idol هستند.

Evelson می گوید: "ما به مشتریان خود توصیه می کنیم که به آنجا نگاه کنند زیرا آنها به طور معمول به تجزیه و تحلیل احساسات به عنوان بخشی از مصرف اسناد و معدن یا روند تجربه مشتری نیاز دارند."

تجزیه و تحلیل احساسات ، NLP و ML

تعداد کمی از شرکت ها سیستم عامل های تجزیه و تحلیل احساسات خود را می سازند. به تخصص داخلی و مجموعه داده های آموزشی بزرگ نیاز دارد. اما می تواند برای شرکت هایی که نیازهای بسیار خاصی دارند که توسط سیستم عامل های موجود برآورده نمی شوند ، پرداخت کند. در این موارد ، شرکت ها به طور معمول ابزار خود را با شروع کتابخانه های منبع باز تولید می کنند.

کتابخانه های NLP که قادر به انجام تجزیه و تحلیل احساسات هستند شامل بغل کردن ، Spacy ، Flair و AllennLP است. علاوه بر این ، برخی از ابزارهای زبان دستگاه کم کد نیز از تجزیه و تحلیل احساسات ، از جمله Pycaret و Fast. ai پشتیبانی می کنند.

برای یادگیری عمیق ، تجزیه و تحلیل احساسات را می توان با مدل های ترانسفورماتور مانند BERT ، XLNET و GPT3 انجام داد. GPT3 حتی می تواند تجزیه و تحلیل احساسات را بدون داده های آموزشی انجام دهد.

دن سیمون ، معاون رئیس جمهور AI و Analytics در Capgemini می گوید: ساختن سیستم عامل های خود می تواند به شرکت ها بر این رقابت ها امتیاز دهد.

وی می گوید: "این روشی است که ما در شرکت های بزرگ در بازار مشاهده می کنیم.""در غیر این صورت ، اگر شما همان ابزار را از قفسه به عنوان رقیب خود خریداری می کنید ، مزیت رقابتی را به دست نمی آورید."

API های تجزیه و تحلیل احساسات

یک رویکرد متداول تر برای شرکت هایی که سیستم عامل های خود را می سازند ، عملکرد تجزیه و تحلیل احساسات را از طریق API ها انجام می دهند. همه ارائه دهندگان اصلی ابر این سرویس را ارائه می دهند - آمازون درک ، خدمات شناختی لاجورد و API زبان طبیعی Google برای نامگذاری چند مورد. IBM Watson همچنین دارای API است.

Simion Capgemini می گوید: "سؤال این است که در پایان روز ، این API ها چقدر خوب هستند.""اگر محصول طاقچه ای داشته باشید ، آنها کار سختی خواهند داشت."

وی اضافه می کند که پس از آن هزینه وجود دارد.

او می گوید: "هر تماس API هزینه ای دارد.""شما باید اطمینان حاصل کنید که فراخوانی از این API های خاص از نظر اقتصادی امکان پذیر است. اما این می تواند یک راه حل خوب برای مشاغل کوچک و متوسط باشد. "

مجموعه داده های تجزیه و تحلیل احساسات

زبان ماشین و رویکردهای یادگیری عمیق به تجزیه و تحلیل احساسات نیاز به مجموعه داده های آموزشی بزرگ دارد. ابزارهای تجاری و در دسترس عموم غالباً دارای پایگاه داده های بزرگی هستند ، اما تمایل به بسیار عمومی دارند ، و مختص حوزه های صنعت باریک نیستند.

برایان ریچاردسون ، شریک همکار در مک کینزی و شرکت می گوید: "شما واقعاً به میلیاردها کلمه و نمونه نیاز دارید تا یاد بگیرید که چگونه می توانید احساسات را به درستی از بین ببرید."

بزرگترین شرکت ها ممکن است بتوانند زمان کافی خود را جمع آوری کنند.

وی می گوید: "برای یک شرکت واحد ، خرده فروشی یا بانک ، برای آنها دشوار است که داده های کافی را برای مشتریان خود برای ساختن یک مدل بدست آورند.""اما اکنون از طریق ابزارهایی مانند یادگیری انتقال ، مدل های NLP با میلیاردها و میلیارد ها سوابق در برابر جبهه های بسیار گسترده کالیبره می شوند و سپس در موارد استفاده های مختلف اعمال می شوند."

این بدان معناست که شرکتی با مجموعه کوچکی از داده های آموزشی خاص دامنه می تواند با یک ابزار تجاری شروع کند و آن را برای نیازهای خود تطبیق دهد.

تجزیه و تحلیل احساسات برتر موارد استفاده

بزرگترین مورد استفاده از تجزیه و تحلیل احساسات در صنعت امروز در مراکز تماس ، تجزیه و تحلیل ارتباطات مشتری و رونوشت های تماس است.

به عنوان مثال ، اگر احساسات منفی پس از انتشار محصول جدید افزایش یابد ، این می تواند نشانه ای اولیه باشد که چیزی اشتباه پیش می رود ، این شرکت را قادر می سازد تا شیرجه عمیقی را انجام دهد تا بفهمد کدام ویژگی ها باعث ایجاد مشکل می شود یا مأمورین بیشتری را برای رسیدگی به مشکلات به وجود می آورند. بشر

با پشتیبانی مشتری در حال حاضر شامل تماس های ویدیویی مبتنی بر وب ، تعداد فزاینده ای از داده های آموزش ویدیویی نیز ظاهر می شود.

همان نوع فناوری مورد استفاده برای انجام تجزیه و تحلیل احساسات برای تجربه مشتری نیز می تواند برای تجربه کارمندان اعمال شود. به عنوان مثال ، مشاوره غول Genpact با 100000 کارمند خود از تجزیه و تحلیل احساسات استفاده می کند.

او می گوید: "ما از یک ابزار هوش مصنوعی ، یک چت بابات مکالمه استفاده می کنیم.""به جای اینکه افراد منابع انسانی به همه مراجعه کنند تا بررسی کنند که آیا همه چیز خوب پیش می رود و احساس پشتیبانی می کنند ، یک چت بابات وجود دارد ، و شما می توانید انتخاب کنید که آیا با چت بابات صحبت کنید یا نه."

این می تواند به یک شرکت کمک کند تا مناطقی را پیدا کند که کارکنان در آن با مشکل مواجه هستند یا احساس حمایت نمی کنند. او می گوید: «ما به دنبال مناطقی هستیم که به طور بالقوه بتوانیم کمک کنیم. ما وارد می شویم و با هم صحبت می کنیم. این بسیار سودمند است زیرا ما می دانیم چگونه به شیوه ای سودمند از مردم حمایت کنیم."

تجزیه و تحلیل احساسات همچنین می تواند برای مدیریت برند مورد استفاده قرار گیرد، تا به شرکت کمک کند درک کند که بخش هایی از پایگاه مشتری خود در مورد محصولاتش چه احساسی دارند و به آن کمک می کند تا پیام های بازاریابی را که به آن مشتریان ارسال می شود، بهتر هدف قرار دهد.

اندی تورای، معاون رئیس جمهور و تحلیلگر اصلی در Constellation Research می گوید: «این به ویژه در روابط عمومی مفید است."شما می خواهید زودتر بدانید که آیا کسی چیزی منفی می گوید تا بتوانید مدیریت بحران را انجام دهید. یا اگر تبلیغاتی اجرا می‌کنید، می‌توانید بفهمید که مردم آن را دوست دارند یا نه.»

او می‌گوید رویکرد قدیمی ارسال نظرسنجی‌ها بود و جمع‌آوری و تجزیه و تحلیل داده‌ها روزها یا هفته‌ها طول می‌کشد.

او می‌گوید: «اما به نظر می‌رسد مردم نظرات فیلتر نشده‌شان را در توییتر و جاهای دیگر می‌گویند.