从观点或产品选择中推断情感
看看如何：
- 量化非结构化文本数据中的正面或负面情绪
- 了解词汇情感分析的基础知识
- 当没有外部情感指标可用时，对每篇文档中的单个词语进行情感评分。
- 使用情感词典（又称“词汇表”）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：表示情感的词，例如“精彩”；加强词：增强情感的词，例如“非常”；否定词：表示情感极性反转的词，例如“不”。
- 根据您的实际情况和领域自定义词典，并添加评分。
- 导入和导出词典
- 了解评分
- 单个短语的评分方式为：情感词得分 x 加强语气权重 x 否定（-1）
- 文档评分方式：标准化评分：平均情感短语得分；最小值/最大值评分：最大情感得分与最小情感得分之和。
- 理解规则
- 一个词组只能属于以下一个类别之一：情感词、加强词或否定词。
- “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调词。
- 词干提取不会影响情感得分（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，则在文本浏览器窗口中的每次分析中，该停用词都会暂时被移除。
- 查看结果
- 情感分布图提供了所有文档情感的整体概览。
- 情感词列表显示了出现频率最高的情感词，您可以点击浏览包含所选词语的所有文档。
- 文档表格显示文档级别的评分（鼠标悬停查看说明）
- 文本窗格显示术语的上下文（鼠标悬停可查看解释）
- 特征部分会查找与情感词频繁同时出现的词语，并根据所选特征对文档进行重新评分。
- 导出情绪评分以供其他分析使用
- 了解衍生情感分析的基础知识
- 利用外部情感指标（例如满意度评分）进行情感分析
- 使用文本探索器的术语选择功能，构建一个基于文档-术语矩阵（DTM）预测的情感度量模型。
- 利用数据得出词项和文档的情感得分
- 识别我们可能忽略的情感词汇。
- 即使没有外部情感测量数据，该模型也可以应用于未来的文本。
- 使用词项选择运行衍生情感分析
- 使用名义型、有序型或连续型响应变量
- 具有两个以上级别的名义变量需要选择目标类别（即简化为目标与非目标的二元结果）。
- 序数变量必须是数值数据类型，建模为服从正态分布的连续响应变量
- 选择其他预先设置选项：估算和验证方法、DTM 权重、DTM 中的最大项数）
- 在运行初始模型后，访问广义回归控制功能，并构建多个模型以找到最佳模型。
- 查看结果
- 顶级摘要类似于情感分析
- “贡献度”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 值越高，p 值越低）。
资源
- JMP Discovery Summit 2017 推介会
- JMP Discovery Summit 2018 推介会 在 JMP® Pro 中使用文本挖掘功能对消费者反馈进行建模
- 使用广义回归（JMP精通视频）
- 使用文本浏览器扩展分析 （JMP 精通视频）
Sentiment Summary情感总结情感总结
预测建模和机器学习
