¿Cuál es la mejor manera de encontrar análisis de sentimientos?

El monitoreo de redes sociales, también conocido como escucha social, es una alternativa que puedes probar. El sentimiento en general es un hueso duro de roer, ya que es difícil de medir correctamente. Cabe señalar que el análisis de sentimientos es utilizado por la mayoría de las herramientas de monitoreo de redes sociales. Las herramientas gratuitas generalmente no ofrecen una visión general tan completa como las pagas y mientras Brand24 cae en el último grupo, creo que vale la pena intentarlo ya que la cuenta de prueba te cuesta notarlo.

Todavía es difícil para la gran mayoría de las herramientas evaluar con precisión lo que realmente es una declaración negativa, neutral y positiva. No estoy muy seguro de la mecánica detrás de esto, pero por el momento no está lo suficientemente avanzado como para lidiar con éxito con el sarcasmo o el contexto de algunas de las discusiones. Echa un vistazo al siguiente ejemplo:

Como puede ver, esta mención de Twitter fue etiquetada como negativa. La razón es la palabra “culpable”, que en esencia es negativa. Sin embargo, en este caso particular, se usó en broma y no se usó en relación con ninguna de las marcas mencionadas.

Si bien puede ser extremadamente útil, todavía queda un largo camino por recorrer antes de que el análisis de sentimientos se vuelva más preciso. A pesar de que es un proceso automatizado, los especialistas en marketing aún deben evaluar si una mención negativa es realmente negativa, por ejemplo.

Sin embargo, los datos de la escucha social le proporcionan una base sólida para su investigación de mercado. En realidad, es una fuente más confiable de información del cliente que cualquier otro estudio, como grupos focales o encuestas. ¿Por qué? Porque las personas comparten información sobre sus preferencias u opiniones sobre productos y servicios de forma voluntaria. Por lo tanto, son honestos en sus puntos de vista publicados en sus perfiles de redes sociales.

Los resultados y las estadísticas del monitoreo de Internet son útiles en distintas áreas de investigación de mercado. Al recopilar información sobre las personas que comparten información sobre su marca, puede crear una descripción detallada de una persona. También puede obtener información valiosa sobre sus productos para futuros desarrollos y mejoras. El monitoreo puede ayudarlo a especificar el día o incluso la hora del día en que los usuarios de Internet están más activos.

En consecuencia, puede optimizar su estrategia de marketing y centrarse solo en los canales que dan como resultado conversiones más altas Los usuarios de las redes sociales pueden proporcionarle información valiosa de los clientes sobre los productos que vende. Sus clientes son los que usan sus productos, por lo que son los que pueden inspirar sus futuras mejoras de productos.

Con herramientas como Brand24 , por ejemplo, puede obtener información valiosa sobre su marca, así como comentarios honestos de los clientes e inspiración para el desarrollo de productos.

Hemos publicado un simple análisis de sentimiento multilingüe en GitHub (ipublia). Se basa en TensorFlow. No pretendo que sea “el mejor”, pero es simple y funciona para muchas aplicaciones.

¿Mejor de todo? Depende principalmente de la cobertura del idioma. Hay muchas soluciones para el inglés. Muchos de ellos se basan en las reseñas de películas de IMDB (alrededor de 50,000 reseñas de películas etiquetadas). Solo trabajan para inglés.

Para otros idiomas, necesita ejemplos de revisión etiquetados similares. Hemos utilizado las reseñas de sitios de reseñas de películas alemanas, francesas e italianas para capacitar a nuestras modelos.

Tan pronto como trabaje en varios idiomas, también necesitará una detección de idioma antes de hacer un análisis de sentimientos (si examina un texto en francés con una aplicación capacitada en inglés, entonces solo salen tonterías).

Si está buscando un análisis del sentimiento del inglés, lo ideal es elegir un modelo / API pre-aprendido, ya que eso reduciría los costos significativamente. De lo contrario, si desea construir desde cero, debe realizar los siguientes pasos:

  1. tokenización de oraciones en palabras y frases
  2. derivación de palabras para eliminar declinaciones
  3. Usar un diccionario para modelar sin supervisión o usar datos etiquetados para construir un modelo supervisado

El aprendizaje supervisado implicará recolectar una gran cantidad de datos. El modelo utilizado para el aprendizaje supervisado puede ser un simple SVM para un modelo de aprendizaje profundo más complejo.

Puede consultar nuestra API para análisis de sentimientos aquí: nlp Documentación API

La mejor metodología para hacer análisis de sentimientos es usar el concepto de influencia de la posición de la palabra en el documento. Tomar un documento como un todo y realizar un análisis de sentimientos puede proporcionar un valor promedio de la oración que se parece más a una aproximación cruda. La metodología que sigo es:

  1. Tokeniza la oración
  2. Formular modelos unigram, bigram, trigram
  3. Calcule el sentimiento de usar los modelos log-lineales.

¡Ojalá responda tus preguntas!

MeaningCloud proporciona una API de análisis de sentimientos multilingüe que proporciona polaridad a nivel de atributo y es fácil de adaptar a su dominio mediante el uso de modelos de sentimientos personalizados.

Descargo de responsabilidad: trabajo para MeaningCloud

comience con funciones muy básicas como bolsa de palabras, taging POS, TFIDF, etc. después de eso, puede tener una idea sobre las funciones avanzadas. También puede utilizar el aprendizaje automático y las funciones basadas en léxico. el léxico será un poco difícil si no tienes tanto conocimiento.

En primer lugar, independientemente de qué ml ml intente utilizar (NB, MaxEnt, SVM, KNN, etc.), la ingeniería de características es la parte más importante. Como características, puede usar tf-idf, n-grams, pos tags. Si tiene la intención de utilizar NB, por lo general, tf-idf y 1-gram o bigrams deberían ser suficientes.

Si desea ejemplos de código, puede contactarme por correo. Tengo códigos en python.

AWS Comprehend es una poderosa herramienta de análisis de sentimientos. También es bastante barato.