317476_zh-CN
从意见或产品选择中获取情绪
了解如何：
- 量化非结构化文本数据中的积极或消极情绪
- 了解词汇情感分析的基础知识
- 当没有外部情绪衡量标准时，根据每个文档中的单个单词对情绪进行评分
- 使用情感词典（又称“词典”）来指定分数（例如，精彩 = +90，失望 = -30）
- 对单个情感短语进行评分以计算文档情感
- 创建三个词典列表 - 情感词：带有情感的词，例如“精彩”；强化词：情感倍增词，例如“非常”；否定词：情感极性逆转词，例如“不”
- 根据您的情况和领域定制词典并添加分数
- 导入和导出词典
- 理解评分
- 单个短语的得分为：情感词得分 x 强化词权重 x 否定（-1）
- 文档评分：比例：平均情感短语得分和最小/最大：最大和最小情感的总和
- 理解规则
- 一个术语只能属于一个类别：情绪、强化词或否定词
- 解析文档选项使用自然语言处理 (NLP) 来更好地分配否定词和强化词
- 词干提取不会影响情绪得分（这是有充分理由的）
- 如果将先前声明的停用词添加到词典中，则在“文本资源管理器”窗口内的每个分析中，该停用词都会被暂时删除
- 探索结果
- 情绪分布提供了所有文档情绪的总体视图
- 情感词列表显示最常见的情感词，您可以点击浏览包含选定词的所有文档
- 文档表显示文档级评分（悬停查看解释）
- 文本窗格显示上下文中的术语（悬停查看解释）
- 特征部分查找经常与情感术语同时出现的术语，并根据选定的特征对文档进行重新评分
- 导出情绪分数以用于其他分析
- 了解衍生情绪分析的基础知识
- 使用外部情绪指标（例如满意度评级）来推动情绪分析
- 使用文本探索器的术语选择功能构建通过文档术语矩阵 (DTM) 预测的情绪测量模型
- 使用数据来得出术语、文档情绪分数
- 识别我们可能错过的情绪术语
- 即使没有外部情绪测量，模型也可以应用于未来的文本
- 使用术语选择运行衍生情绪分析
- 使用名义、序数或连续响应变量
- 具有 >2 个级别的名义需要选择目标类别（即简化为目标与非目标的二元结果）
- 序数必须是数字数据类型，被建模为具有正态分布的连续响应
- 选择其他前期选项：估计和验证方法、DTM 加权、DTM 中的最大项）
- 运行初始模型后访问广义回归控制并构建多个模型以找到最佳
- 探索结果
- 顶级摘要与情绪分析类似
- “贡献”是响应尺度的通用词（例如对数几率）
- 文档的贡献值是项系数（回归模型系数）的总和
- 项 LogWorth 是 p 值的函数（LogWorth 越高，p 值越低）
资源
Sentiment Summary情绪摘要
预测模型和机器学习
Comments
There are no comments yet
