谢谢， @件！ 我们很高兴在不久的将来推出JMP 16。
有趣的功能。
只是出于分数计算的好奇：这是否考虑了单词的顺序？
例如，“真的不好”和“不是很好”的含义有所不同。 这些表情会得到不同的分数吗？
@matthias_bruchh ，这两个示例中的得分会有所不同。 禁止在情绪短语中间使用“不”之类的否定词，以使“不太好”被强化然后被否定，而“真的不好”则被否定但不被强化。 这反映了系统中已内置的许多规则之一，旨在处理自然语言中通常比较混乱的短语和句子结构。 不错：如果您遇到“真的不好”这样的短语，并希望它具有除算法分配的分数以外的特定分数，则只需突出显示它并分配自己的分数即可覆盖算法（如“强”示例）。 用户最终拥有最终决定权。
假设您正在考虑流式传输一部新电影。 你读到一个概要：“未来的统治者告诉最好的朋友比尔和泰德，他们必须创作一首新歌来拯救我们所知道的生命。 但是他们没有写它，而是决定穿越时空从他们年长的自己那里窃取它。”虽然这听起来最优秀，您也阅读了一些观众评论。 “很有意思。” “对于我们作为一个民族而言，这是一部完美的电影。” “对薄弱的情节感到非常失望。” “求求你，不要了。”等等。 您权衡正面评论与负面评论并决定观看比尔和泰德面对音乐. （此时您真的在 Netflix 上留下了多少未观看的内容？）
我们在这种情况下阅读观众评论是因为他们告诉我们人们的意见、态度或感受——通常称为情绪– 通常用相对较少的词。 只是一个词或短语，如乐趣,完美的电影要么特别差可以非常有效地传达情绪，了解人们的情绪非常重要。 客户喜欢我们的新产品吗？ Twitterverse 如何看待最新消息？ 新法的哪些条款最受欢迎或最不受欢迎？ 情绪是答案的核心，而语言可以帮助我们衡量它。
简单地阅读文本是衡量情绪的最佳方式。 但是当有数百、数千甚至数百万的文本要阅读时会发生什么？ 为此，我们需要计算机。 计算机不能像人类一样理解语言，但它们可以搜索我们认为传达情感的单词或短语，根据这些情感词对文本进行评分，然后以有用的方式将分数反馈给我们。 这可以为我们提供大规模的情绪图，否则我们无法获得。
这就是本质情绪分析，JMP Pro 16 中的一种文本分析技术。 让我们看看它是如何工作的。
你喜欢咖啡包吗？
我们将让您深入了解最新的比尔和泰德电影，以支持一个可能更日常的例子：咖啡包，单杯咖啡机中使用的那些小胶囊，有时会在休息室、欧陆式早餐或某些人的咖啡机中找到厨房。 消费者如何看待咖啡包？
我们将分析亚马逊上的 9,133 条咖啡包评论，这些评论来自发现的更大的亚马逊评论数据集这里. 为避免争议，我们会综合分析许多不同品牌豆荚的评论，不会挑出任何特定产品。 但在实践中，我们希望限制领域仔细分析我们的分析，也许只分析我们自己的一种产品或我们竞争对手的一种产品的评论，这比查看所有咖啡包更有用。 我们还一定要排除对咖啡机或配件等相关事物的评论，或关注包装或送货服务等次要问题的评论，因为在一个领域表达积极情绪的内容（交货是便宜的) 可能不在另一个 (咖啡的味道便宜的）。
现在在我们继续之前，我听到一些读者问，“为什么不看看明星评论？”当然，我们可以并且在实践中会查看星级评论，但是 (a) 文本是更丰富的信息来源，并且 (b) 在许多情况下（例如，公共论坛中的帖子）文本是只要可用信息。 我们现在将忽略星级评论，将重点放在情绪分析上。
情绪分析来了JMP专业版的文本浏览器平台，而且很容易执行。 只需选择情绪分析选项，JMP 就会自动查找情绪词，为每条评论评分，并生成各种输出供我们微调分析并探索结果。
启动情绪分析
微调分析
让我们仔细看看这个输出，从几个单独的评论开始，看看情绪分数是如何计算的，重要的是，我们为什么以及如何微调我们的分析。
评论#4297 比较正面，说的像优秀,方便的和使满意并且总体得分为 +60（在 -100 到 100 的范围内，其中零表示中性情绪）。 JMP Pro 如何计算此分数？ 它查阅了一个内置的情感词列表和相关的分数（情感字典) 并将三个情感词的分数平均在一起。 很简单。 （如果愿意，最小-最大评分选项将总分计算为评论中最积极和最消极的词之间的差异。）
点评#4297 比较正面
解析文本的算法会自动处理否定符（例如，不）和增强器（例如，非常）。 评论 #6034 是一个很好的例子。 这个单词好的默认情况下获得 +60 的基线分数，并且在增强器之前该分数增加到 +84真的但在被否定时变为 -60不是.
JMP Pro 在存在否定词或增强词的情况下调整情感词的分数
JMP Pro 的内置情感词典是完全可定制的，根据您的领域进行定制是明智之举。 看看下面的评论#910。 好的和好的是明显的情感词，但是呢太强大，这在咖啡包领域显然是负面的？ 认识到许多词的情绪是特定领域的（例如，坚如磐石可能对汽车有利，但对床垫不利），JMP Pro 的内置字典所做的假设相对较少，让您可以添加、减去和修改字典以针对您的领域定制分析。
您可以定制分析以包括特定领域的情感词或短语，如“太强”
自定义字典很简单。 添加太强大作为否定短语，我们只需突出显示该短语并单击一个按钮为其分配分数，此处为 -30。 完整的分析会自动更新，找到每个实例太强大并相应地评分。 这使得 Review #910 的分数从 +43 降至 +18，这似乎是一个进步。
添加新的情感短语非常轻松
有多种其他工具可用于自定义分析，包括您可能想要添加到词典中的潜在情感词列表（在这里，它会自动标记诸如强的,虚弱的,苦的,昂贵的)、随心所欲地修改单词分数的能力、自定义否定词和增强词等等。 情绪分析应该总是根据应用它的特定环境进行定制，因此如果您最终使用 JMP Pro 16 进行情绪分析，您将需要熟悉这些工具。
探索结果
完成定制分析后，我们可以在这些数据中找到什么？ 首先，摘要显示情绪相对积极，平均得分为 +39.5。 有 6,856 条净正面评价，平均得分为 +56.9； 1,277 次净负，平均得分为 -38.7。 看起来人们对他们的咖啡包比较积极，平均正面评价比平均负面评价更积极。 虽然我们即将看到许多用于更详细地研究这些分数的工具，但值得注意的是，所有评论的情绪分数都可以保存回数据表，使其可用于其他工具中的可视化和分析。
汇总表提供正面和负面情绪的汇总视图
伴随的直方图可视化了情感分数的分布
我们可能希望通过一些不同的方式进一步深入研究结果。 首先，哪些情感词出现的频率最高？ 往下看，我们看到出现频率最高的词一般都是正面的，比如伟大的,胆大和强的排名很高。 如果我们向下滚动，我们会发现最常见的否定词是虚弱的和苦的. 如果我们点击其中一个，我们可以在上下文中看到它的用法，从而更深入地了解人们的抱怨。
通过频繁的情感词探索评论可以提供大量信息
在对最常见的情感词进行探索后，我们可能会对特定的特征的咖啡包。 也就是说，与其从整体上看咖啡包，不如让我们关注一些特定的东西，比如味道。 如果我们查看功能查找器， JMP专业版提供了一个经常与情感词同时出现的词列表，因此我们可以探索与这些词相关的情感。 在这里，我们选择味道从列表中查看人们对此的看法。 我们甚至可以单击 Score Selected Features 来要求 JMP Pro 重新评分每个特定于风味的评论。 这是深入到您最感兴趣的子域的好方法。
Feature Finder 可深入了解与咖啡风味等特定特征相关的情绪
JMP Pro 16 中的情绪分析
JMP Pro 16 中的情绪分析使您能够根据人们的书面评论来衡量人们对某事的看法是积极还是消极。 由于分析应始终针对特定上下文进行定制，因此该工具包含多种功能，可在您探索数据时轻松自定义情感词典和评分系统。
一旦分析完全定制，交互式工具使您能够以各种方式深入研究结果，以回答您遇到的任何特定问题。 在我们的案例中，看起来人们大多对他们在亚马逊上买到的咖啡包持积极态度，而且他们特别喜欢这种咖啡胆大和强的而不是虚弱的要么苦的.
想了解人们的感受、意见或态度吗？ 收集一些评论，对它们进行情绪分析，看看你找到了什么答案。
