317476_zh-TW
從意見或產品選擇中得出情感
請參閱如何：
- 量化非結構化文字資料中的正面或負面情緒
- 了解詞彙情感分析的基礎知識
- 當沒有外部情感衡量標準時，根據每個文件中的各個單字對情感進行評分
- 使用指定分數的情緒字典（又稱「字典」）（例如，精彩 = +90，失望 = -30）
- 對單一情感短語進行評分以計算文檔情感
- 建立三個字典清單 - 情緒術語：帶有情緒的術語，例如「wonderful」；強化詞：情緒乘數，例如「非常」；否定詞：情緒極性反轉，例如“否”
- 根據您的情況、領域自訂字典並添加分數
- 導入和導出字典
- 了解評分
- 對各個片語評分：情緒術語分數 x 增強器權重 x 否定 (-1)
- 文件評分：縮放：平均情感短語得分和最小/最大：最大和最小情感的總和
- 了解規則
- 一個術語只能屬於一類：情感、強化詞或否定詞
- 解析文件選項使用自然語言處理 (NLP) 來更好地分配否定詞和增強詞
- 詞幹擷取不會影響情緒分數（並且有充分的理由）
- 如果先前聲明的停用詞已新增至字典中，則在文字資源管理器視窗中的每次分析中，它都會作為停用詞暫時刪除
- 探索結果
- 情緒分佈提供所有文件情緒的總體視圖
- 情緒術語清單顯示最常見的情緒術語，您可以按一下以瀏覽包含所選術語的所有文檔
- 文件表顯示文件等級評分（將滑鼠懸停以查看解釋）
- 文字窗格顯示上下文中的術語（將滑鼠懸停以查看解釋）
- 特徵部分尋找經常與情緒術語同時出現的術語，並根據所選特徵重新評分文檔
- 導出情緒分數以用於其他分析
- 了解衍生情感分析的基礎知識
- 使用外部情緒測量（例如滿意度評分）來驅動情緒分析
- 使用 Text Explorer 的術語選擇來建立由文件術語矩陣 (DTM) 預測的情緒度量模型
- 使用資料匯出術語、文件情緒分數
- 識別我們可能會錯過的情緒術語
- 即使外部情緒測量不可用，模型也可以應用於未來的文本
- 使用術語選擇執行派生情緒分析
- 使用名目、序數或連續反應變量
- 標稱>2水平需要選擇目標類別（即減少到目標與非目標的二元結果）
- 序數必須是數值資料類型，建模為常態分佈的連續響應
- 選擇其他預先選項：估計和驗證方法、DTM 加權、DTM 中的最大項）
- 運行初始模型後訪問廣義回歸控制並建立多個模型以找到最佳模型
- 探索結果
- 頂層總結類似於情感分析
- 「貢獻」是反應量表的通用詞（例如，對數賠率）
- 文檔的貢獻值是項係數總和（迴歸模型係數）
- LogWorth 項是 p 值的函數（LogWorth 較高對應於 p 值較低）
資源
Sentiment Summary情緒總結
預測建模和機器學習
Comments
There are no comments yet
