یک راهنمای کامل برای تجزیه و تحلیل احساسات

توسط Akshat Biyani ، به روز شده در 7 دسامبر 2022 9 دقیقه خوانده شده

"این فیلم یک فاجعه عظیم بود ... من کاملاً از آن متنفر بودم! اتلاف وقت و پول #skipit "

"آیا فصل جدید XYZ را دیده اید؟خیلی خوب است!"

"شما واقعاً باید این برنامه جدید را بررسی کنید ، بسیار جذاب است! و این زندگی شما را بسیار راحت می کند. "

با خواندن این نظرات ، می توانید بفهمید که احساسات پشت سر آنها چیست؟آنها ممکن است برای شما آشکار به نظر برسند زیرا ما به عنوان انسان قادر به تشخیص احساسات پیچیده عاطفی در پشت متن هستیم. نه تنها ما برای درک معانی ، مفاهیم ، اهداف و دستور زبان در پشت هر یک از این جملات خاص آموزش دیده ایم ، بلکه شخصاً قبل از آن بسیاری از این احساسات را احساس کرده ایم و از تجربیات خود می توانند معنای عمیق تری را پشت سر بگذارنداین کلمات. علاوه بر این ، ما همچنین با اشیاء دنیای واقعی که متن به آن اشاره دارد بسیار آشنا هستیم.

این در مورد ماشین ها صدق نمی کند ، اما آنها روش های دیگری برای تعیین احساسات مثبت و منفی دارند! دقیقاً چگونه این کار را انجام می دهند؟با استفاده از تجزیه و تحلیل احساسات. در این مقاله ، ما بحث خواهیم کرد که چگونه یک کامپیوتر می تواند با استفاده از روش های تجزیه و تحلیل احساسات ، احساسات را رمزگشایی کند و پیامدهای این امر چه می تواند باشد. اگر می خواهید به بخش خاصی بروید ، به سادگی از منوی قابل کلیک استفاده کنید:

1. تجزیه و تحلیل احساسات چیست؟

با توجه به اینکه رایانه ها باهوش تر و باهوش تر می شوند ، مطمئناً آنها می توانند بین طیف گسترده ای از احساسات مختلف انسانی را رمزگشایی و تشخیص دهند ، درست است؟اشتباه - در حالی که آنها ماشین های هوشمند هستند ، رایانه ها نمی توانند هیچ احساسی را ببینند و احساس کنند ، تنها ورودی که در قالب صفرها و آنهایی دریافت می کنند - یا آنچه که بیشتر به عنوان کد باینری شناخته می شود.

با این حال ، از طرف دیگر ، رایانه ها در یک چیزی که انسان با آن مبارزه می کند ، برتری دارند: پردازش مقادیر زیادی از داده ها به سرعت و به طور مؤثر. بنابراین ، از نظر تئوری ، اگر می توانستیم به ماشین آلات آموزش دهیم که چگونه احساسات پشت متن ساده را شناسایی کنند ، می توانیم با تجزیه و تحلیل صدها هزار بررسی یا توییت ، پاسخ عاطفی به یک محصول خاص را تجزیه و تحلیل و ارزیابی کنیم. این به نوبه خود بازخورد ارزشمندی را در اختیار شرکت ها قرار می دهد و به آنها کمک می کند تا محصول بعدی خود را متناسب با نیازهای بازار متناسب کنند. بنابراین ، این چه نوع فرایندی است؟تجزیه و تحلیل احساسات!

تجزیه و تحلیل احساسات ، همچنین به عنوان معدن افکار شناخته می شود ، روند تعیین احساسات در پشت یک متن است. تجزیه و تحلیل احساسات با هدف طبقه بندی متن داده شده به عنوان مثبت ، منفی یا خنثی است. علاوه بر این ، سپس اطلاعات ذهنی را در مورد آن متون با کمک پردازش زبان طبیعی ، تجزیه و تحلیل متن ، زبان شناسی محاسباتی و یادگیری ماشین مشخص و تعیین می کند.

2. تجزیه و تحلیل احساسات چگونه کار می کند؟

دو روش اصلی برای تجزیه و تحلیل احساسات وجود دارد: یادگیری ماشین و مبتنی بر واژگان. روش یادگیری ماشین برای آموزش طبقه بندی متن ، داده های دارای برچسب انسان را اعمال می کند و آن را به یک روش یادگیری نظارت شده تبدیل می کند. رویکرد مبتنی بر واژگان یک جمله را به کلمات تقسیم می کند و جهت گیری معنایی هر کلمه را بر اساس یک فرهنگ لغت نشان می دهد. سپس نمرات مختلفی را برای رسیدن به نتیجه گیری اضافه می کند.

در این مثال ، ما بررسی خواهیم کرد که چگونه تجزیه و تحلیل احساسات با استفاده از یک رویکرد ساده مبتنی بر واژگان کار می کند. ما نظر زیر را به عنوان داده های آزمون خود می گیریم:

"این فیلم یک فاجعه عظیم بود ... من کاملاً از آن متنفر بودم! اتلاف وقت و پول #skipit "

مرحله 1: تمیز کردن

مرحله اولیه حذف شخصیت ها و اعداد خاص از متن است. در مثال ما ، علائم و کاما های تعجب را از نظر فوق حذف خواهیم کرد.

آن فیلم یک فاجعه عظیم بود که من کاملاً از هدر رفتن وقت و پول آن متنفرم

مرحله 2: نشانه گذاری

توکن سازی فرایند تجزیه یک متن به تکه های کوچکتر به نام نشانه ها است که یا کلمات فردی یا جملات کوتاه هستند. شکستن یک پاراگراف به جملات به عنوان نشانه سازی جمله شناخته می شود و شکستن یک جمله به کلمات به عنوان نشانه گذاری کلمه شناخته می شود.

["آن" ، "فیلم" ، "،" A "،" عظیم "،" فاجعه "،" من "،" کاملاً "،" متنفر "،" آن "،" زباله "،" ، "،"زمان '،' و '،' پول '،' Skipit ']

مرحله 3: برچسب زدن به قسمت گفتار (POS)

برچسب زدن بخشی از گفتار ، فرایند برچسب زدن هر کلمه با گروه گرامری خود است ، و آن را به عنوان یک اسم ، ضمیر ، صفت یا قید-طبقه بندی می کند-بسته به متن آن. این هر نشانه را به یک شکل از فرم (کلمه ، برچسب) تبدیل می کند. از برچسب زدن POS برای حفظ زمینه یک کلمه استفاده می شود.

[("آن" ، "dt") ،

("فیلم" ، "nn") ،

("بود" ، "VBD") ،

(‘A" ، "DT")

("عظیم" ، "JJ") ،

("فاجعه" ، "nn") ،

("من" ، "PRP") ،

("کاملاً" ، "RB") ،

("متنفر" ، "VBD") ،

("این" ، "PRP") ،

("زباله" ، "nn") ،

("از" ، "در") ،

("زمان" ، "nn") ،

(‘و" ، "CC") ،

("پول" ، "nn") ،

("Skipit" ، "nn")]

مرحله 4: حذف کلمات متوقف

کلمات متوقف شده کلماتی مانند "داشتن" ، "اما" "ما ،" او "،" به "،" فقط "، و غیره هستند. این کلمات اطلاعاتی با ارزش کمی دارند ، و به طور کلی نویز در نظر گرفته می شوند ، بنابراین آنها از داده ها حذف می شوند.

["فیلم" ، "عظیم" ، "فاجعه" ، "کاملاً" ، "متنفر" ، زباله ، "زمان" ، "پول" ، "Skipit"]

مرحله 5: STEMMING

STEMMING فرایندی از عادی سازی زبانی است که پسوند هر یک از این کلمات را از بین می برد و آنها را به کلمه پایه آنها کاهش می دهد. به عنوان مثال ، دوست داشتنی به عشق کاهش می یابد ، هدر رفته به زباله کاهش می یابد. در اینجا ، متنفر به نفرت کاهش می یابد.

["فیلم" ، "عظیم" ، "فاجعه" ، "کاملاً" ، "نفرت" ، "زباله" ، "زمان" ، "پول" ، "SKIPIT"]

مرحله ششم: تجزیه و تحلیل نهایی

در یک رویکرد مبتنی بر واژگان ، کلمات باقیمانده در برابر کتابخانه های احساسات مقایسه می شوند و نمرات به دست آمده برای هر نشانه اضافه یا به طور متوسط اضافه می شوند. کتابخانه های احساسات لیستی از کلمات و عبارات از پیش تعریف شده است که توسط انسان به صورت دستی به ثمر می رسد. به عنوان مثال ، "بدترین" به ثمر می رس د-3 ، و "شگفت انگیز" +3 به ثمر می رسد.

با یک فرهنگ لغت اساسی ، اظهار نظر مثال ما به:

فیلم = 0 ، colossal = 0 ، فاجعه = -2 ، مطلقاً = 0 ، نفرت = -2 ، زباله = -1 ، زمان = 0 ، پول = 0 ، skipit = 0

این باعث می شود نمره کلی نظ ر-5 ، طبقه بندی نظر را منفی کند.

3. تجزیه و تحلیل احساسات از موارد استفاده کنید

تجزیه و تحلیل احساسات برای جمع آوری سریع بینش از مقادیر عظیمی از داده های متن ، با کاربردهای آن از سیاست ، امور مالی ، خرده فروشی ، مهمان نوازی و مراقبت های بهداشتی استفاده می شود. به عنوان مثال ، سودمندی آن را در سناریوهای زیر در نظر بگیرید:

• مدیریت شهرت برند: تجزیه و تحلیل احساسات به شما امکان می دهد قبل از اینکه نگرانی های عمده ای داشته باشند ، تمام پچ پچ های آنلاین را در مورد برند و فاجعه های بالقوه خود مشاهده کنید.
• صدای مشتری: "صدای مشتری" به بازخورد و نظرات شما از مشتریان خود در سراسر جهان اشاره دارد. شما می توانید محصول خود را بهبود بخشید و نیازهای مشتری خود را با کمک این بازخورد و تجزیه و تحلیل احساسات برآورده کنید.
• صدای کارمند: رضایت کارمندان را می توان با تجزیه و تحلیل بررسی در سایت هایی مانند Glassdoor برای شرکت شما اندازه گیری کرد و به شما امکان می دهد چگونگی بهبود محیط کار ایجاد شده را تعیین کنید.
• تحقیقات بازار: شما می توانید بررسی های اینترنتی محصولات خود و رقیب خود را تجزیه و تحلیل و نظارت کنید تا ببینید که چگونه مردم بین آنها تمایز قائل می شوند و به شما کمک می کنند تا بازخورد های ضروری را به دست آورید و محصولات و استراتژی های بازاریابی خود را بر این اساس اصلاح کنید. علاوه بر این ، تجزیه و تحلیل احساسات در تحقیقات بازار همچنین می تواند روندهای آینده را پیش بینی کند و از این رو یک مزیت حرکت اول داشته باشد.

برنامه های دیگر برای تجزیه و تحلیل احساسات می تواند شامل موارد زیر باشد:

• پشتیبانی مشتری
• نظارت بر رسانه های اجتماعی
• دستیاران صوتی و چت بابات
• نظرسنجی در انتخابات
• تجربه مشتری در مورد یک محصول
• احساسات بازار سهام و حرکت بازار
• تجزیه و تحلیل بررسی های فیلم

4- یادگیری ماشین و تجزیه و تحلیل احساسات

وظایف تجزیه و تحلیل احساسات به طور معمول به عنوان مشکلات طبقه بندی در رویکرد یادگیری ماشین رفتار می شود. تحلیلگران داده از داده های متنی تاریخی استفاده می کنند - که به صورت دستی به عنوان مجموعه آموزش به عنوان مثبت ، منفی یا خنثی شناخته می شوند. آنها سپس استخراج ویژگی ها را در این مجموعه داده برچسب زده ، با استفاده از این داده های اولیه برای آموزش مدل برای تشخیص الگوهای مربوطه تکمیل می کنند. در مرحله بعد ، آنها می توانند با استفاده از مدل آموزش دیده ما ، احساسات یک متن تازه را پیش بینی کنند.

Bayes ساده لوح ، رگرسیون لجستیک ، دستگاه های بردار پشتیبانی و شبکه های عصبی برخی از الگوریتم های طبقه بندی هستند که معمولاً در کارهای تجزیه و تحلیل احساسات مورد استفاده قرار می گیرند. دقت بالای پیش بینی یکی از مهمترین مزایای رویکرد یادگیری ماشین است.

5. مزایای تجزیه و تحلیل احساسات

با توجه به مقادیر زیادی از داده ها در اینترنت کاملاً بدون ساختار است ، تحلیلگران داده ها به روشی برای ارزیابی این داده ها نیاز دارند. با توجه به تجزیه و تحلیل احساسات ، تحلیلگران داده می خواهند احساسات ، نگرش ها و نظرات را از مجموعه نمونه های ما استخراج و شناسایی کنند. خواندن و اختصاص رتبه به تعداد زیادی از بررسی ها ، توییت ها و نظرات کار ساده ای نیست ، اما با کمک تجزیه و تحلیل احساسات ، این کار به سرعت انجام می شود.

یکی دیگر از ویژگی های بی نظیر تجزیه و تحلیل احساسات ، توانایی آن در تجزیه و تحلیل سریع داده هایی مانند راه اندازی محصول جدید یا پیشنهادات خط مشی جدید در زمان واقعی است. بنابراین ، تجزیه و تحلیل احساسات می تواند روشی مقرون به صرفه و کارآمد برای سنجش و بر همین اساس مدیریت افکار عمومی باشد.

6. مضرات تجزیه و تحلیل احساسات

تجزیه و تحلیل احساسات ، به همان اندازه که جذاب است ، بدون نقص آن نیست. زبان انسانی ظریف است و اغلب دور از ساده است. دستگاه ها ممکن است علی رغم درک گسترده ای از داده های گذشته ، برای شناسایی احساسات در پشت یک متن جداگانه تلاش کنند. برخی از موقعیت هایی که ممکن است تجزیه و تحلیل احساسات از بین برود عبارتند از:

• طعنه ، شوخی ، طنز. این چیزها به طور کلی از مجموعه ای از قوانین پیروی نمی کنند ، بنابراین ممکن است آنها به درستی توسط سیستم های تحلیلی احساسات طبقه بندی نشوند.
• تفاوت های ظریفکلمات می توانند چندین معانی و مفهوم داشته باشند ، که کاملاً مشمول زمینه ای هستند که در آن رخ می دهند.
• چند قطبیهنگامی که متن داده شده در بعضی از قسمت ها مثبت است و در برخی دیگر منفی است.
• تشخیص نفیاین می تواند برای دستگاه چالش برانگیز باشد زیرا عملکرد و دامنه کلمه "نه" در یک جمله قطعی نیست. علاوه بر این ، پسوندها و پیشوندهایی مانند "غیر ،" "dis-" ، "بدون" و غیره می توانند معنی یک متن را تغییر دهند.

7. غذاهای کلیدی و مراحل بعدی

در این مقاله ، ما علم و تفاوت های ظریف تجزیه و تحلیل احساسات را بررسی کردیم. در حالی که تجزیه و تحلیل احساساتی روشی است که در هیچ کجای کامل نیست ، زیرا داده های بیشتری تولید می شوند و به دستگاه ها تغذیه می شوند ، آنها همچنان باهوش تر می شوند و دقت را که با آن پردازش داده ها را بهبود می بخشند ، بهبود می یابند.

در کل ، تجزیه و تحلیل احساساتی دارای یک مورد استفاده بزرگ است و ابزاری ضروری برای شرکت هایی است که امیدوارند از قدرت داده ها برای تصمیم گیری بهینه استفاده کنند.

برای کسانی که به قدرت علم داده اعتقاد دارند و می خواهند اطلاعات بیشتری کسب کنند ، توصیه می کنیم این دوره مقدماتی 5 روزه را در تجزیه و تحلیل داده ها طی کنید. همچنین می توانید با خواندن هر یک از مقالات زیر اطلاعات بیشتری در مورد موضوعات مرتبط بخوانید:

کاری که اکنون باید انجام دهید

با تجزیه و تحلیل داده ها ، یک معرفی مفید را انجام دهید و اولین تجزیه و تحلیل خود را با دوره کوتاه تجزیه و تحلیل داده های خود گام به گام انجام دهید.

با کارشناسان صنعت در یکی از رویدادهای تجزیه و تحلیل داده های آنلاین آنلاین ما شرکت کنید و در مورد سفر آزاده از معلم مدرسه به تحلیلگر داده بخوانید.

برای بحث در مورد تغییر شغلی با یک مشاور برنامه صحبت کنید و بدانید که آیا تجزیه و تحلیل داده ها برای شما مناسب است یا خیر.

فقط در 4-7 ماه به یک تحلیلگر داده واجد شرایط تبدیل شوید-کاملاً با ضمانت شغلی.

این مقاله بخشی از:

تجزیه و تحلیل داده ها

Akshat Biyani یک تحلیلگر تجارت و نویسنده مستقل است و دارای تجربه زیادی در تجارت و فناوری است. Akshat به طور جدی در تلاش است تا حرفه خود را تغییر دهد تا دانشمند داده شود.

مقالات تجزیه و تحلیل داده های مرتبط

تجزیه و تحلیل مکانی چیست و چگونه کار می کند؟

یک راهنمای کامل برای نمودارهای حباب

اظهارات مورد در SQL: راهنمای کامل مبتدیان

Careerfoundry چیست؟

CareerFoundry یک مدرسه آنلاین برای افرادی است که به دنبال تغییر حرفه ای در فناوری هستند. یک برنامه را انتخاب کنید ، با یک مربی و معلم متخصص زوج شوید و به یک طراح ، توسعه دهنده یا تحلیلگر آماده شغلی تبدیل شوید و یا پول خود را پس بگیرید.