Déduire des sentiments à partir d'opinions ou de choix de produits
Découvrez comment :
- Quantifier le sentiment positif ou négatif dans les données textuelles non structurées
- Comprendre les bases de l'analyse des sentiments lexicaux
- Évalue le sentiment exprimé à partir de chaque mot de chaque document lorsqu'aucune mesure externe du sentiment n'est disponible.
- Utilise un dictionnaire de sentiments (ou « lexique ») qui spécifie des scores (par exemple, merveilleux = +90, déçu = -30).
- Attribuer un score à chaque expression de sentiment pour calculer le sentiment du document
- Créez trois listes de dictionnaires : Terme de sentiment : un terme exprimant un sentiment, comme « merveilleux » ; Terme intensifiant : un multiplicateur de sentiment, comme « très » ; Terme négateur : l’inverse de la polarité du sentiment, comme « pas ».
- Personnalisez les dictionnaires en fonction de votre situation et de votre domaine, et ajoutez des scores.
- Importer et exporter des dictionnaires
- Comprendre le système de notation
- Chaque phrase est notée : score du terme sentimental x pondération de l’intensificateur x négation (-1)
- Les documents sont notés : score moyen des expressions de sentiment (échelle) et score min/max (somme des scores de sentiment maximum et minimum).
- Comprendre les règles
- Un terme ne peut appartenir qu'à une seule classe : sentiment, intensificateur ou négation.
- L'option Analyser les documents utilise le traitement automatique du langage naturel (TALN) pour mieux attribuer les négations et les intensificateurs.
- La racinisation n'affecte pas les scores de sentiment (et pour cause).
- Si un mot vide précédemment déclaré est ajouté au dictionnaire, il est temporairement supprimé de la liste des mots vides dans toutes les analyses effectuées dans la fenêtre Explorateur de texte.
- Explorer les résultats
- La distribution des sentiments offre une vue d'ensemble du sentiment exprimé dans tous les documents.
- La liste des termes d'analyse des sentiments affiche les termes les plus fréquents et vous pouvez cliquer pour parcourir tous les documents contenant le(s) terme(s) sélectionné(s).
- Le tableau des documents présente le score attribué à chaque document (survolez la souris pour obtenir des explications).
- Le volet de texte affiche les termes dans leur contexte (survolez la souris pour obtenir des explications).
- La section « Fonctionnalités » identifie les termes qui co-occurrent fréquemment avec les termes d'analyse 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 externe du sentiment (par exemple, une note de satisfaction) pour orienter l'analyse des sentiments.
- Utilise la sélection de termes de Text Explorer pour construire un modèle de mesure du sentiment prédit par la matrice document-terme (DTM).
- Utilise les données pour calculer les scores de sentiment des termes et des documents
- Identifie les termes relatifs aux sentiments que nous pourrions autrement manquer. Permet d'identifier les termes de sentiment que nous pourrions autrement manquer.
- Ce modèle peut être appliqué à des textes futurs, même lorsqu'aucune mesure externe du sentiment n'est disponible.
- Exécutez l'analyse de sentiments dérivée à l'aide de la sélection de termes
- Utilisez des variables de réponse nominales, ordinales ou continues
- Un système nominal à plus de deux niveaux nécessite le choix d'une classe cible (c'est-à-dire qu'il se réduit à un résultat binaire cible ou non-cible).
- Les données ordinales doivent être de type numérique et sont modélisées comme une réponse continue suivant une distribution normale.
- Sélectionnez les options supplémentaires à sélectionner au préalable : méthodes d’estimation et de validation, pondération du MNT, nombre maximal de termes dans le MNT.
- Accédez aux commandes de régression généralisée après avoir exécuté le modèle initial et créez plusieurs modèles pour trouver le meilleur.
- Explorer les résultats
- Le résumé de premier niveau est similaire à l'analyse des sentiments
- « Contribution » est un terme générique pour désigner une échelle de réponse (par exemple, logarithme des cotes).
- Les valeurs de contribution du document sont la somme des coefficients des termes (coefficient du modèle de régression).
- Le terme LogWorth est fonction de la p-valeur (un LogWorth plus élevé correspond à une p-valeur plus faible).
Ressources
Sentiment SummaryRésumé des sentimentsRésumé des sentiments
Modélisation prédictive et apprentissage automatique
