Ricavare sentimenti da opinioni o scelte di prodotto
Scopri come:
- Quantificare il sentiment positivo o negativo nei dati di testo non strutturati
- Comprendere le basi dell'analisi del sentiment lessicale
- Assegna un punteggio al sentiment in base alle singole parole in ciascun documento quando non è disponibile alcuna misura esterna del sentiment
- Utilizza un dizionario dei sentimenti (noto anche come "lessico") che specifica i punteggi (ad esempio, meraviglioso = +90, deluso = -30)
- Assegna un punteggio alla frase di valutazione individuale per calcolare la valutazione del documento
- Crea tre elenchi di dizionario - Termine sentimentale: un termine che porta un sentimento come "meraviglioso"; Termine intensificatore: moltiplicatore del sentimento come "molto"; Termine negativo: inversione di polarità del sentimento come no
- Personalizza i dizionari per la tua situazione, dominio e aggiungi punteggi
- Importa ed esporta dizionari
- Comprendere il punteggio
- Viene assegnato un punteggio alle singole frasi: punteggio del termine sentimentale x ponderazione dell'intensificatore x negazione (-1)
- Ai documenti viene assegnato un punteggio: Scalato: punteggio medio della frase di sentimento e Min/Max: somma del sentimento massimo e minimo
- Comprendere le regole
- Un termine può appartenere a una sola classe: sentimento, intensificatore o negatore
- L'opzione Analizza documenti utilizza l'elaborazione del linguaggio naturale (NLP) per assegnare meglio negatori e intensificatori
- Lo stemming non influisce sui punteggi del sentiment (e per una buona ragione)
- Se una parola d'arresto precedentemente dichiarata viene aggiunta al dizionario, viene temporaneamente rimossa come parola d'ordine in ogni analisi all'interno della finestra Esplora testo
- Esplora i risultati
- La distribuzione delle opinioni fornisce una visione generale delle opinioni su tutti i documenti
- L'elenco dei termini del sentiment mostra i termini del sentiment più frequenti sono i più frequenti ed è possibile fare clic per sfogliare tutti i documenti con i termini selezionati
- La tabella dei documenti presenta il punteggio a livello di documento (passa con il mouse per le spiegazioni)
- Il riquadro del testo mostra i termini nel contesto (passa con il mouse per le spiegazioni)
- La sezione Funzionalità trova i termini che ricorrono frequentemente con i termini di opinione e rivaluta i documenti rispetto alle funzionalità selezionate
- Esporta i punteggi del sentiment per utilizzarli in altre analisi
- Comprendere le nozioni di base dell'analisi del sentiment derivato
- Utilizza la misura del sentiment esterno (ad esempio la valutazione della soddisfazione) per guidare l'analisi del sentiment
- Utilizza la selezione dei termini di Text Explorer per creare un modello di misura del sentiment previsto dalla matrice dei termini del documento (DTM)
- Utilizza i dati per ricavare termini e documentare i punteggi del sentiment
- Identifica i termini del sentiment che altrimenti potremmo non notare
- Il modello può essere applicato al testo futuro, anche quando la misura del sentiment esterno non è disponibile
- Eseguire l'analisi del sentiment derivato utilizzando la selezione dei termini
- Utilizzare variabili di risposta nominali, ordinali o continue
- Il valore nominale con >2 livelli richiede la scelta della classe target (ovvero si riduce al risultato binario di target vs non target)
- L'ordinale deve essere di tipo numerico ed è modellato come risposta continua con distribuzione normale
- Selezionare ulteriori opzioni iniziali: metodi di stima e convalida, ponderazione DTM, termini massimi nel DTM)
- Accedi ai controlli di regressione generalizzata dopo aver eseguito il modello iniziale e crea più modelli per trovare il migliore
- Esplora i risultati
- Il riepilogo di primo livello è simile all'analisi del sentiment
- "Contributo" è una parola generica per indicare la scala di risposta (ad esempio, log odds)
- I valori del contributo del documento sono la somma dei coefficienti dei termini (coefficiente del modello di regressione)
- Il termine LogWorth è funzione del valore p (LogWorth più alto corrisponde a valore p più basso)
Risorse
Sentiment SummaryRiepilogo del sentimento
Modellazione predittiva e machine learning
