意見や製品選択から感情を読み取る
以下の手順をご覧ください。
- 非構造化テキストデータにおける肯定的または否定的な感情を定量化する
- 語彙感情分析の基本を理解する
- 外部の感情指標が利用できない場合、各文書内の個々の単語から感情スコアを算出します。
- 感情辞書（別名「レキシコン」）を使用し、スコアを指定します（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文書の感情を計算します。
- 3つの辞書リストを作成します。感情語：'wonderful' のような感情を表す語。強調語：'very' のような感情を増幅する語。否定語：'not' のような感情の極性を反転させる語。
- 状況や分野に合わせて辞書をカスタマイズし、スコアを追加できます。
- 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、感情語スコア×強調語の重み×否定（-1）で採点されます。
- 文書は以下のように評価されます：スケーリング：平均感情フレーズスコア、最小/最大：最大感情スコアと最小感情スコアの合計
- ルールを理解する
- 用語は、感情、強調、否定のいずれかのクラスにのみ属することができる。
- 「文書解析」オプションは、自然言語処理（NLP）を使用して否定語と強調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（それには正当な理由があります）。
- 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において、そのストップワードは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における感情の全体像を提供します。
- 感情用語リストには、最も頻繁に出現す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閲覧できます。
- 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（カーソルを合わせると説明が表示されます）。
- テキストペインには、用語とその文脈が表示されます（カーソルを合わせ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、選択された特徴に基づいて文書を再評価します。
- 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。
- 派生感情分析の基本を理解する
- 外部の感情指標（満足度評価など）を使用して感情分析を行う
- Text Explorerの用語選択機能を使用して、文書-用語行列（DTM）によって予測される感情尺度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算出します。
- 見落としがちな感情表現を特定します
- 外部の感情尺度が利用できない場合でも、この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
- 名義尺度、順序尺度、または連続尺度の応答変数を使用する
- 2つ以上のレベルを持つ名義尺度では、対象クラスを選択する必要があります（つまり、対象か非対象かの二値結果に還元されます）。
- 順序尺度は数値データ型である必要があり、正規分布に従う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てください：推定および検証方法、DTMの重み付け、DTM内の最大項数）
- 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モデルを見つけます。
- 結果を見る
- トップレベルの要約は感情分析に似ています
- 「貢献度」とは、応答尺度（例：対数オッズ）を表す一般的な用語です。
- 文書の貢献度値は、項係数（回帰モデル係数）の合計です。
- LogWorthという用語の値はp値の関数です（LogWorthの値が大きいほどp値は小さくなります）。
リソース
Sentiment Summary感情分析の要約感情分析の要約
予測モデリングと機械学習
