Dériver des sentiments à partir d'opinions ou de choix de produits
Découvrez comment :
- Quantifier les sentiments positifs ou négatifs dans les données textuelles non structurées
- Comprendre les bases de l'analyse des sentiments lexicaux
- Note le sentiment à partir de mots individuels dans chaque document lorsqu'aucune mesure externe du sentiment n'est disponible
- Utilise un dictionnaire de sentiments (alias « lexique ») qui spécifie les scores (par exemple, merveilleux = +90, déçu = -30)
- Note une phrase de sentiment individuelle pour calculer le sentiment du document
- Créez trois listes de dictionnaire - Terme de sentiment : un terme portant un sentiment tel que « merveilleux » ; Terme intensificateur : multiplicateur de sentiment tel que « très » ; Terme négatif : inversion de la polarité des sentiments, comme non
- Personnalisez les dictionnaires en fonction de votre situation, de votre domaine et ajoutez des scores
- Dictionnaires d'importation et d'exportation
- Comprendre la notation
- Les phrases individuelles sont notées : score du terme de sentiment x pondération intensificatrice x négation (-1)
- Les documents sont notés : Échelle : score moyen de l'expression de sentiment et Min/Max : somme des sentiments maximum et minimum
- Comprendre les règles
- Un terme ne peut appartenir qu’à une seule classe : sentiment, intensificateur ou négateur
- L'option Parse Documents utilise le traitement du langage naturel (NLP) pour mieux attribuer les négateurs et les intensificateurs
- La recherche de racines n'affecte pas les scores de sentiment (et pour cause)
- Si un mot vide précédemment déclaré est ajouté au dictionnaire, il est temporairement supprimé en tant que mot vide dans chaque analyse dans la fenêtre Explorateur de texte.
- Explorer les résultats
- La distribution des sentiments fournit une vue globale des sentiments dans tous les documents.
- La liste des termes de sentiment affiche les termes de sentiment les plus fréquents et vous pouvez cliquer pour parcourir tous les documents avec le(s) terme(s) sélectionné(s)
- Le tableau des documents présente la notation au niveau du document (survolez pour les explications)
- Le volet de texte affiche les termes dans leur contexte (survolez pour des explications)
- La section Fonctionnalités recherche les termes qui coexistent fréquemment avec les termes de sentiment et réévalue les documents en fonction des fonctionnalités sélectionnées.
- Exporter les scores de sentiment pour les utiliser dans d’autres analyses
- Comprendre les bases de l'analyse des sentiments dérivés
- Utilise une mesure de sentiment externe (par exemple, taux de satisfaction) pour piloter l'analyse des sentiments
- Utilise la sélection de termes de Text Explorer pour créer un modèle de mesure de sentiment prédit par la matrice de termes de document (DTM)
- Utilise des données pour dériver des termes et documenter les scores de sentiment
- Identifie les termes de sentiment que nous pourrions autrement manquer
- Le modèle peut être appliqué à un texte futur, même lorsque la mesure du sentiment externe n'est pas disponible
- Exécutez l'analyse des sentiments dérivés à l'aide de la sélection de termes
- Utiliser des variables de réponse nominales, ordinales ou continues
- Nominal avec> 2 niveaux nécessite le choix de la classe cible (c'est-à-dire réduit au résultat binaire de cible vs non-cible)
- L'ordinal doit être un type de données numérique et est modélisé comme une réponse continue avec une distribution normale.
- Sélectionnez des options supplémentaires dès le départ : méthodes d'estimation et de validation, pondération DTM, termes maximum dans DTM).
- Accédez aux contrôles de régression généralisée après avoir exécuté le modèle initial et créez plusieurs modèles pour trouver le meilleur
- Explorer les résultats
- Le résumé de niveau supérieur est similaire à l’analyse des sentiments
- « Contribution » est un mot générique désignant l'échelle de réponse (par exemple, log des chances)
- Les valeurs de contribution du document sont la somme des coefficients de terme (coefficient du modèle de régression)
- Le terme LogWorth est fonction de la valeur p (un LogWorth plus élevé correspond à une valeur p inférieure)
Ressources
Sentiment SummaryRésumé des sentiments
Modélisation prédictive et apprentissage automatique
