Derivar sentimientos a partir de opiniones o elecciones de productos
Vea cómo:
- Cuantificar sentimientos positivos o negativos en datos de texto no estructurados
- Comprender los conceptos básicos del análisis de sentimiento léxico
- Califica la opinión a partir de palabras individuales en cada documento cuando no hay una medida externa de opinión disponible.
- Utiliza un diccionario de sentimientos (también conocido como "léxico") que especifica puntuaciones (por ejemplo, maravilloso = +90, decepcionado = -30)
- Califica frases de opinión individuales para calcular la opinión del documento
- Cree tres listas de diccionarios - Término de sentimiento: un término que conlleva un sentimiento como "maravilloso"; Término intensificador: multiplicador de sentimiento como "muy"; Término negativo: inversión de polaridad del sentimiento como no
- Personalice diccionarios para su situación, dominio y agregue puntuaciones
- Importar y exportar diccionarios
- entender la puntuación
- Se puntúan las frases individuales: puntuación del término de sentimiento x ponderación del intensificador x negación (-1)
- Los documentos se califican: Escalado: puntuación media de la frase de opinión y Min/Max: suma de la opinión máxima y mínima.
- entender las reglas
- Un término sólo puede pertenecer a una clase: sentimiento, intensificador o negador.
- La opción Parse Documents utiliza el procesamiento del lenguaje natural (NLP) para asignar mejor los negadores e intensificadores.
- La derivación no afecta las puntuaciones de sentimiento (y por una buena razón)
- Si se agrega al diccionario una palabra de parada previamente declarada, se elimina temporalmente como palabra de parada en cada análisis dentro de la ventana del Explorador de texto.
- Explorar resultados
- La distribución de opiniones proporciona una visión general de las opiniones en todos los documentos.
- La lista de términos de opinión muestra que los términos de opinión más frecuentes son los más frecuentes y puede hacer clic para explorar todos los documentos con los términos seleccionados.
- La tabla de documentos presenta la puntuación a nivel de documento (pase el cursor para obtener explicaciones)
- El panel de texto muestra los términos en contexto (pase el cursor para obtener explicaciones)
- La sección de características busca términos que frecuentemente coexisten con términos de opinión y vuelve a calificar los documentos con respecto a las características seleccionadas.
- Exportar puntuaciones de sentimiento para usarlas en otros análisis
- Comprender los conceptos básicos del análisis de sentimiento derivado
- Utiliza una medida de sentimiento externa (por ejemplo, índice de satisfacción) para impulsar el análisis de sentimiento.
- Utiliza la selección de términos de Text Explorer para crear un modelo de medida de sentimiento predicho por la matriz de términos de documento (DTM)
- Utiliza datos para derivar términos y documentar puntuaciones de opinión.
- Identifica términos de sentimiento que de otro modo podríamos pasar por alto
- El modelo se puede aplicar a textos futuros, incluso cuando la medida del sentimiento externo no esté disponible
- Ejecute el análisis de sentimiento derivado mediante la selección de términos
- Utilice variables de respuesta nominales, ordinales o continuas.
- Nominal con >2 niveles requiere elegir la clase objetivo (es decir, se reduce al resultado binario de objetivo versus no objetivo)
- El ordinal debe ser un tipo de datos numérico y se modela como respuesta continua con distribución normal.
- Seleccione opciones iniciales adicionales: métodos de estimación y validación, ponderación DTM, términos máximos en DTM)
- Acceda a los controles de regresión generalizada después de ejecutar el modelo inicial y cree múltiples modelos para encontrar el mejor
- Explorar resultados
- El resumen de nivel superior es similar al análisis de sentimiento
- 'Contribución' es una palabra genérica para escala de respuesta (p. ej., probabilidades logarítmicas)
- Los valores de contribución del documento son la suma de los coeficientes de los términos (coeficiente del modelo de regresión)
- El término LogWorth es función del valor p (un LogWorth más alto corresponde a un valor p más bajo)
Recursos
Sentiment SummaryResumen de sentimientos
Modelado predictivo y aprendizaje automático
