317476_ja-JP
意見や製品の選択から感情を導き出す
方法をご覧ください:
- 非構造化テキストデータ内の肯定的または否定的な感情を定量化する
- 語彙感情分析の基礎を理解する
- 感情の外部測定が利用できない場合、各ドキュメント内の個々の単語から感情をスコアリングします。
- スコアを指定する感情辞書（別名「レキシコン」）を使用します（例：素晴らしい = +90、がっかり = -30）
- 個々の感情フレーズにスコアを付けて、ドキュメントの感情を計算します
- 3つの辞書リストを作成します - 感情用語:「素晴らしい」などの感情を表す用語、強意語:「とても」などの感情乗数、否定語:「そうではない」などの感情極性反転
- 状況や分野に合わせて辞書をカスタマイズし、スコアを追加します
- 辞書のインポートとエクスポート
- スコアリングを理解する
- 個々のフレーズは次のようにスコア付けされます: 感情用語スコア x 強調語の重み x 否定 (-1)
- ドキュメントは次のようにスコア付けされます: スケール: 平均感情フレーズスコア、最小/最大: 最大感情と最小感情の合計
- ルールを理解する
- 用語は感情、強意語、否定語のいずれかのクラスにのみ属することができる。
- ドキュメント解析オプションは自然言語処理（NLP）を使用して否定語と強意語をより適切に割り当てます
- ステミングは感情スコアに影響を与えません（そしてそれには十分な理由があります）
- 以前に宣言されたストップワードが辞書に追加されると、テキストエクスプローラーウィンドウ内のすべての分析でストップワードとして一時的に削除されます。
- 結果を見る
- 感情分布は、すべてのドキュメントの感情の全体的なビューを提供します
- 感情用語リストには、最も頻繁に使用される感情用語が表示され、クリックすると、選択した用語を含むすべてのドキュメントを参照できます。
- ドキュメント テーブルにはドキュメント レベルのスコアが表示されます (マウスを移動すると説明が表示されます)
- テキスト ペインにはコンテキスト内の用語が表示されます (マウスを移動すると説明が表示されます)
- 特徴セクションでは、感情用語と頻繁に共起する用語を見つけ、選択された特徴に関してドキュメントを再スコアリングします。
- 他の分析で使用するために感情スコアをエクスポートする
- 派生感情分析の基礎を理解する
- 外部の感情指標（満足度評価など）を使用して感情分析を推進する
- テキスト エクスプローラーの用語選択を使用して、ドキュメント用語マトリックス (DTM) によって予測される感情測定のモデルを構築します。
- データを使用して用語や文書の感情スコアを導き出す
- 見逃してしまう可能性のある感情用語を特定します
- 外部の感情測定が利用できない場合でも、モデルは将来のテキストに適用できます。
- 用語選択を使用して派生感情分析を実行する
- 名目、順序、連続の応答変数を使用する
- 2 レベルを超える名目クラスでは、ターゲット クラスを選択する必要があります (つまり、ターゲットと非ターゲットのバイナリ結果になります)。
- 順序は数値データ型である必要があり、正規分布による連続応答としてモデル化されます。
- 追加の事前オプションを選択します: 推定および検証方法、DTM の重み付け、DTM の最大用語)
- 初期モデルを実行した後、一般化回帰コントロールにアクセスし、複数のモデルを構築して最適なものを見つけます。
- 結果を見る
- トップレベルの要約は感情分析に似ている
- 「寄与」は、応答スケール（例：対数オッズ）の一般的な用語です。
- ドキュメントの貢献値は項係数（回帰モデル係数）の合計です。
- LogWorth という用語は p 値の関数です (LogWorth が高いほど p 値は低くなります)
リソース
Sentiment Summary感情の要約
予測モデリングと機械学習
Comments
There are no comments yet
