從觀點或產品選擇推論情感
看看如何：
- 量化非結構化文字資料中的正面或負面情緒
- 了解詞彙情感分析的基礎知識
- 當沒有外部情緒指標可用時，對每篇文件中的單字進行情緒評分。
- 使用情緒字典（又稱「詞彙表」）來指定分數（例如，精彩 = +90，失望 = -30）
- 對單一情感短語進行評分，以計算文件情感
- 建立三個字典清單－情緒詞：表示情緒的詞，例如「精彩」；加強詞：增強情感的詞，例如「非常」；否定詞：表示情緒極性反轉的詞，例如「不」。
- 根據您的實際情況和領域自訂字典，並添加評分。
- 導入和匯出字典
- 了解評分
- 單一短語的評分方式為：情緒詞分數 x 加強語氣權重 x 否定（-1）
- 文件評分方式：標準化評分：平均情緒短語得分；最小值/最大值評分：最大情感得分與最小情感得分總和。
- 理解規則
- 一個詞組只能屬於以下一個類別之一：情緒詞、加強詞或否定詞。
- 「解析文件」選項使用自然語言處理 (NLP) 來更好地分配否定詞和強調詞。
- 詞幹擷取不會影響情緒得分（這是有充分理由的）。
- 如果將先前聲明的停用詞加入字典中，則在文字瀏覽器視窗中的每次分析中，該停用詞都會暫時移除。
- 查看結果
- 情感分佈圖提供了所有文件情感的整體概覽。
- 情緒詞清單顯示了出現頻率最高的情緒詞，您可以點擊瀏覽包含所選詞語的所有文件。
- 文件表格顯示文件層級的評分（滑鼠懸停檢視說明）
- 文字窗格顯示術語的上下文（滑鼠懸停可查看解釋）
- 特徵部分會找出與情緒詞頻繁同時出現的詞語，並根據所選特徵對文件進行重新評分。
- 匯出情緒評分供其他分析使用
- 了解衍生情感分析的基礎知識
- 利用外部情緒指標（例如滿意度分數）來驅動情緒分析
- 使用文字探索器的術語選擇功能，建立一個基於文件-術語矩陣（DTM）預測的情緒度量模型。
- 利用數據得出詞項和文件的情感得分
- 辨識我們可能忽略的情緒詞彙。
- 即使沒有外部情緒測量數據，該模型也可以應用於未來的文字。
- 使用詞項選擇運行衍生情感分析
- 使用名目型、有序型或連續型反應變量
- 具有兩個以上層級的名目變數需要選擇目標類別（即簡化為目標與非目標的二元結果）。
- 序數變數必須是數值資料類型，建模為服從常態分佈的連續反應變數
- 選擇其他預先設定選項：估算與驗證方法、DTM 權重、DTM 中的最大項數）
- 在運行初始模型後，存取廣義回歸控制功能，並建立多個模型以找到最佳模型。
- 查看結果
- 頂級摘要類似於情感分析
- 「貢獻度」是反應尺度的通用詞（例如，對數幾率）。
- 文件的貢獻值是項係數（迴歸模型係數）的總和。
- 項 LogWorth 是 p 值的函數（LogWorth 值越高，p 值越低）。
資源
- JMP Discovery Summit 2017 推介會
- JMP Discovery Summit 2018 推介會 在 JMP® Pro 中使用文字探勘功能對消費者回饋進行建模
- 使用廣義回歸（JMP精通影片）
- 使用文字瀏覽器擴充分析 （JMP 精通影片）
Sentiment Summary情感總結情感總結
預測建模和機器學習
