什么是情感分析？
情感分析是指自然语言处理领域的一个方面，专门用于理解从一系列来源汇总的关于单个主题的主观意见或情绪。
在商业环境中，情感分析是指识别和推断意见中的信息来增强业务运营的工具。这是在一系列算法的帮助下完成的，这些算法深入研究了意见的次要背景，并试图理解对产品或任何特定元素的态度。
情感分析完全是通过意见挖掘来理解公众的推理，这使企业能够检查产品定位。情感分析用于许多不同的领域：
- 产品分析
- 市场研究
- 超个性化
- 声誉管理
- 公共关系中的认知
- 精准定位客户
- 产品评论
- 产品反馈
- 高效的客户服务
情感分析在帮助企业开发专门满足客户需求的更智能的产品和服务方面发挥着重要作用。
情感分析的重要性
情感分析侧重于通过处理情绪数据来感知产品及其市场需求。有几种公共资源和私有资源可以用来获取与客户感知相关的信息。这些来源包括：
- 与产品或服务相关的买家通信
- 用户生成的公众评价
- 基于媒体的专业产品评论
- 产品的社交媒体形象，例如提及或主题标签
- 一般性和目的性的论坛挖掘
通过情感分析，企业可以了解其海量数据，并将其转化为一系列积极成果。好处包括：
- 清楚地了解受众对产品或服务的看法
- 从客户的角度深入了解当前的市场状况
对于这两者，其结果都为产品的特定受众创造了价值主张。
但是，这样理解的必要性何在？
就任何产品的关键性能指标而言，了解其下一步发展需要对其优缺点有清楚的了解。情感分析是确定营销工作及其方向以及业务发展的理想选择。通过基于情感分析的营销，企业可以从客户的角度了解任何产品的优势和劣势。
情感分析还使用真实数据，如果分析得当，这些数据应该为制定可行的策略提供真实的信息。不存在猜测或假设。
关于市场研究，情感分析意义重大，但并非不可或缺。它为市场需求提供了另一种视角和更多变化。它通常会开辟新的方法途径，使企业能够为产品找到尚未开发的利基市场。
情感分析简单使用很容易，但从企业的角度来看，则需要精心设计的工具来获得高级洞见。
情感分析的类型
以下是不同类型的情感分析。所有这些分析都使用数据驱动的人工智能 (AI) 和机器学习 (ML) 来做出判断和预测：
细粒度情感分析
细粒度的情感分析解释了舆论的极性。这种分析可以是喜欢/不喜欢情绪或正面/负面这样的简单二元差异，或者是复杂一点的更深层次的要求，例如从 1 到 7 的利克特评级系统，衡量对行为问题从完全同意到完全不同意的程度。
情绪检测
基于情绪的情感分析根据语言和机器学习算法，检测客户通信中存在的特定情绪状态。结果确定了为什么买家对产品有某种感觉。
基于特性的情感分析
基于特性的情感分析更深入一些。它的重点是找出客户对产品特定方面或元素（例如手机软件的最新升级）的意见。通过基于特性的分析，可以很容易地跟踪客户对升级的看法，以及从客户的角度来看具体的优缺点。
意图分析
意图分析用于客户支持服务，以简化工作流程。它确定信息背后的具体意图。
情感分析的两种方法是什么？
有两种既定的情感分析方法：
基于规则的方法
基于规则的方法使用算法来识别详细而清晰的意见描述。该方法包括识别主观性、意见极性以及意见主体。这种基于规则的方法利用基本的自然语言处理，涉及以下一些可能的操作：
- 词干
- 解析
- 令牌化
- 标记词性部分
- 语言分析
基于规则的方法从两个单词集开始。其中一组只包含正面词汇，其他只包含负面词汇。该算法会彻底扫描文本以查找与其预定义规则和词汇列表匹配的词，然后计算出最普遍的词。更多的正面词汇意味着正极性，更多的负面词汇表示负极性。
基于规则算法的缺点是某些结果的交付不够充分；由于基于规则的方法不考虑上下文，因此其结果的灵活性或精确度很低。不过，它可以确定信息的语气，这对于客户支持很有用。
基于规则的方法在语言学方面可能会遇到问题。俚语变化很快，并且如果将单词与正面或负面情绪联系起来，可能会带来一些挑战。如今，基于规则的情感分析经常被用作未来实施和训练机器学习解决方案的起点。
自动情感分析方法
自动情感分析深入研究文本并提取可用数据。自动情感分析不是基于预定义的规则，而是使用机器学习来理解信息概要。这种自动方法使用受监督的机器学习分类算法，提高了精确度和准确性，并根据一系列标准快速处理信息。
情感分析使用机器学习算法来探索数据。通常，情感分析可能涉及以下类型的分类算法：
- 线性回归
- 支持向量机
- 朴素贝叶斯
- 循环神经网络导数（例如长短期记忆网络和门控循环单元）
情感是非常复杂的，因为它是对特定洞见的常规提取。但是，要准确了解情绪要点，还有很多工作要做。
情感分析工作原理
情感分析本质上是一种分类算法，旨在发现基于意见的观点、相关情绪和可能特别感兴趣的信息。
什么构成了情感分析中的 “意见” ？一般来说，意见是一种可能不是基于事实或准确知识的观点。
但是，从数据的角度来看，意见还有很多。虽然它是基于个人经历的主观评估，但它与情绪相对应：一组表示体验和情绪的复杂观点。有了这种理解，情感分析可以：
- 在一个特定平台（如评论网站或客户支持台）上提取情感数据
- 确定正极性或负极性
- 定义是笼统地还是具体地谈论主题
- 单独或在现有受众群体背景下识别意见持有者
情感分析可以在许多不同的层面上使用：
- 文档级别：分析整个文本
- 句子级别：查看一个单独的句子
- 子句级别：确定句子中的子表达
由于意见是主观的，因此可以将其归类为四个子类别：
- 直接意见：意见的要点所在
- “这个应用程序的用户界面很差”
- 比较性意见：在 A 和 B 之间进行比较
- “应用程序 B 上的应用程序用户界面比应用程序 A 差”
- 明确的意见：事情表达得极为清楚
- “此应用程序运行最佳”
- 隐含的意见：仅仅暗示意见
- “应用程序在一天之内就开始崩溃了”
情感分析操作中的常见挑战
背景和极性
算法难以理解上下文。虽然人类可以理解交互的上下文，但它可能是算法的障碍。因此，必须配置算法，使其包含消息的上下文部分。
文本矢量化解决了这个问题。它根据语音部分绘制出文本中单词的联系（以及与他人的关系）。这为文本情感分析增加了维度，并确保了对信息语气的清晰理解。
确定主观性和语气
识别信息中的语气是情感分析的关键特征。分析语气的范围从简单到复杂，具体取决于所使用的单词。人与人之间的互动可以是隐含的或明确的，也可以是主观的或客观的，这对于算法来说很难判断。
为了解决这个问题，产品的表征需要多个选项和相关类别，以帮助算法准确确定主观性和基调。
识别挖苦和讽刺
机器和算法在理解挖苦和讽刺方面最困难。在一个序列中使用的单词可能表示与另一个句子完全不同的东西，算法提取它们的表面意思，可能完全搞错了。解决这个问题的方法是通过深度上下文分析和海量语料库来训练自然语言处理情感分析模型。
中性消息
另一个问题是中性消息，它们不归入任何类别。算法会如何处理中性消息？这里有两种方法可以解决这个问题：
- 首先是深入研究背景并查看所有陈述的事实。这可以使任何未表达的意见凸显出来。这是针对特殊情况的手动方法。
- 第二个是算法相关的。如果某些事物没有归类为正面或负面，则可以触发算法将其标记为中性。
情感分析的未来
情感分析是一项有价值的技术，尤其是对企业而言。它以不偏不倚（或相对较少）的方式从客户那里获得真实的反馈。如果执行得当，它可以为组织增加价值，并为未来的决策提供事实和可衡量的数据。
希望改善产品或服务、推动更多销售并超越竞争对手的组织应该对情感分析加以利用。