Ableitung von Stimmungen aus Meinungen oder Produktentscheidungen
Erfahren Sie, wie Sie:
- Quantifizieren Sie positive oder negative Stimmungen in unstrukturierten Textdaten
- Verstehen Sie die Grundlagen der lexikalischen Sentimentanalyse
- Bewertet die Stimmung anhand einzelner Wörter in jedem Dokument, wenn kein externes Maß für die Stimmung verfügbar ist
- Verwendet ein Sentiment-Wörterbuch (auch „Lexikon“ genannt), das Bewertungen angibt (z. B. wunderbar = +90, enttäuscht = -30)
- Bewertet einzelne Stimmungsphrasen, um die Dokumentstimmung zu berechnen
- Erstellen Sie drei Wörterbuchlisten - Sentimentbegriff: ein Begriff, der ein Sentiment enthält, wie „wunderbar“; Intensivierungsbegriff: Sentimentmultiplikator wie „sehr“; Negierungsbegriff: Umkehrung der Sentimentpolarität wie „nicht“
- Passen Sie Wörterbücher an Ihre Situation und Domäne an und fügen Sie Bewertungen hinzu
- Wörterbücher importieren und exportieren
- Bewertung verstehen
- Die einzelnen Phrasen werden bewertet: Sentimentterm-Score x Verstärkergewichtung x Negation (-1)
- Dokumente werden bewertet: Skaliert: Durchschnittliche Sentiment-Phrase-Bewertung und Min/Max: Summe der maximalen und minimalen Sentimentalität
- Regeln verstehen
- Ein Begriff kann nur einer Klasse angehören: Sentiment, Verstärker oder Negator.
- Die Option „Dokumente analysieren“ verwendet die Verarbeitung natürlicher Sprache (NLP), um Negatoren und Verstärker besser zuzuordnen
- Stemming hat keinen Einfluss auf die Sentiment-Werte (und das aus gutem Grund)
- Wenn ein zuvor deklariertes Stoppwort zum Wörterbuch hinzugefügt wird, wird es bei jeder Analyse im Text Explorer-Fenster vorübergehend als Stoppwort entfernt.
- Ergebnisse erkunden
- Sentiment Distribution bietet einen Gesamtüberblick über die Stimmung in allen Dokumenten
- In der Sentiment-Begriffsliste werden die am häufigsten vorkommenden Sentiment-Begriffe angezeigt. Sie können alle Dokumente mit den ausgewählten Begriffen durch Anklicken durchsuchen.
- In der Dokumenttabelle wird die Bewertung auf Dokumentebene angezeigt (für Erläuterungen den Mauszeiger bewegen)
- Im Textbereich werden Begriffe im Kontext angezeigt (für Erklärungen mit der Maus darüberfahren)
- Der Abschnitt „Features“ findet Begriffe, die häufig zusammen mit Sentiment-Begriffen vorkommen, und bewertet Dokumente hinsichtlich ausgewählter Features neu.
- Exportieren Sie Stimmungswerte zur Verwendung in anderen Analysen.
- Verstehen Sie die Grundlagen der abgeleiteten Sentimentanalyse
- Verwendet externe Stimmungsmaße (z. B. Zufriedenheitsbewertungen), um die Stimmungsanalyse voranzutreiben
- Verwendet die Begriffsauswahl des Text Explorers, um ein Modell der Stimmungsmessung zu erstellen, das durch die Dokument-Begriffs-Matrix (DTM) vorhergesagt wird.
- Verwendet Daten, um Begriffe abzuleiten und Stimmungswerte zu dokumentieren
- Identifiziert Stimmungsbegriffe, die wir sonst möglicherweise übersehen würden
- Das Modell kann auf zukünftige Texte angewendet werden, auch wenn kein externes Sentiment-Messgerät verfügbar ist.
- Ausführen der abgeleiteten Sentimentanalyse mithilfe der Begriffsauswahl
- Verwenden Sie nominale, ordinale oder kontinuierliche Antwortvariablen
- Nominal mit >2 Stufen erfordert die Wahl einer Zielklasse (d. h. reduziert sich auf das binäre Ergebnis Ziel vs. Nicht-Ziel)
- Ordinal muss ein numerischer Datentyp sein und wird als kontinuierliche Antwort mit Normalverteilung modelliert.
- Wählen Sie zusätzliche Optionen im Voraus: Schätz- und Validierungsmethoden, DTM-Gewichtung, Max. Begriffe im DTM)
- Greifen Sie nach dem Ausführen des ersten Modells auf die verallgemeinerten Regressionskontrollen zu und erstellen Sie mehrere Modelle, um das beste zu finden
- Ergebnisse erkunden
- Die Zusammenfassung auf oberster Ebene ähnelt der Sentimentanalyse
- „Beitrag“ ist ein allgemeiner Begriff für eine Antwortskala (z. B. Log-Odds).
- Die Beitragswerte des Dokuments sind die Summe der Termkoeffizienten (Regressionsmodellkoeffizienten).
- Der Begriff LogWorth ist eine Funktion des p-Werts (höherer LogWorth entspricht niedrigerem p-Wert)
Ressourcen
Sentiment SummaryStimmungszusammenfassung
Prädiktive Modellierung und maschinelles Lernen
