Er sentimentanalyse maskinlæring?

Mange mennesker spørger: "Er sentimentanalyse maskinlæring?" Det korte svar er: Ja. Moderne sentimentanalyse er afhængig af maskinlæringsmodeller til at analysere og forbedre, hvordan følelsesmæssig betydning registreres i tekst.

I denne artikel forklarer jeg, hvad sentimentanalyse er, hvad maskinlæring betyder, og hvordan de to arbejder sammen i forbindelse med kundeoplevelser.

Hvad er sentimentanalyse?

Sentimentanalyse, også kendt som meningsudvinding, er processen med at læse en samling tekst og fortolke, om tonen er positiv eller negativ. Virksomheder bruger ofte sentimentanalyseværktøjer til at forstå, hvordan kunder har det med deres brand, eller hvad folk siger online om deres konkurrenter.  

I sentimentanalyse tildeles tekstblokke – f.eks. et tweet eller en kundeanmeldelse – en negativ, neutral eller positiv score baseret på de enkelte ord, som teksten består af.

For at gøre dette bruger sentimentanalysesoftware et leksikon eller en ordbog til at identificere og score hvert ord. Denne ordbog sammensættes af mennesker, som manuelt har indsamlet ordene og tildelt hvert af dem en score. 

Denne proces er tidskrævende og omfattende, da hvert ord ikke alene skal have sin egen score, men scorerne skal også relatere til hinanden. For eksempel er bedst bedre end fantastisk, som er bedre end god. 

Dette leksikon er grundlaget for sentimentanalyse. 

Hvordan fungerer sentimentanalyse?

Der er tre måder at implementere analyse af kundesentiment på, og hvilken du vælger, afhænger hovedsageligt af mængden af data, du skal analysere, og hvor præcis du forsøger at være. 

Regelbaseret

Regelbaseret sentimentanalyse er en metode til funktionsudvælgelse, der er automatisk og baseret på regler, som er fastlagt af mennesker. Reglerne indeholder typisk mange teknikker inden for behandling af naturligt sprog (NLP) samt naive Bayes-klassifikatorer. Denne tilgang er hurtig, men den er ekstremt enkel og ikke særlig præcis.

Reglerne kunne for eksempel definere ord, der er ekstremt negative (værst, forfærdelig, grim) og positive (fremragende, bedst, smuk). Disse ord tildeles en positiv eller negativ værdi. Hvis der er flere positive ord end negative, angiver softwaren, at teksten har et positivt sentiment; hvis der er flere negative ord, angiver den et negativt sentiment. Hvis der er lige mange positive og negative ord, betragtes teksten som neutral.

Som nævnt er denne tilgang hurtig, men den er ikke særlig nuanceret. Den tager ikke højde for andet end de simple regler, der gælder for ordene, og er ikke opmærksom på, hvor ordene forekommer, eller hvordan de kombineres. Det er muligt at ændre reglerne undervejs, men det vil også ændre alle tidligere resultater. Disse systemer kræver meget justering og vedligeholdelse.

Automatisk

Automatiske systemer betragtes som maskinlæring. De er ikke afhængige af regler, der er fastlagt af programmører til sentimentklassificering, men de skal lære. Når automatiske systemer trænes, lærer systemet at forbinde bestemte ord og tekstkombinationer med et specifikt mærke. Teksten omdannes til en funktionsvektor. Maskinen parrer mærker og funktionsvektorer for at generere en algoritme og skabe en model, der kan bruges fremadrettet. 

Funktionsvektorer repræsenterer alle et objekts funktioner og egenskaber; i dette tilfælde ordene og sætningerne. Inden for maskinlæring og AI i analyse af kundesentiment er de afgørende for mønstre og algoritmer, der behandler dataene. Jo flere tests systemet får, desto flere mærker og funktionsvektorer opretter det, og desto mere lærer det og finjusterer sin algoritme og sentimentanalysemodel. 

Denne proces kan blive ret kompleks og bevæge sig ind i dyb læring, hvor den bruger en samling algoritmer og kunstige neurale netværk til at analysere data i et forsøg på at efterligne den menneskelige hjernes tankeproces.

Hybrid

En hybrid tilgang bruger en kombination af regelbaseret og automatisk sentimentanalyse, hvor man ideelt set tager de bedste dele fra hver tilgang og samler dem i én. Denne metode er normalt den mest præcise.

Hvordan hænger sentimentanalyse og maskinlæring sammen?

Maskinlæring er en vigtig del af sentimentanalyse, men det er ikke det eneste, der betyder noget. 

Ved hjælp af naturlig sprogbehandling kan programmører tilføre enorme mængder tekst og data, når de opbygger et sentimentleksikon og træner maskinlæringsprogrammet. Programmet vil fortsætte med at tildele flere ord en score, hvilket forbedrer dets algoritme og evne til at udføre sentimentanalyse og i sidste ende forudsige sentiment. Disse forbedringer understøttes af maskinlæringsalgoritmer.

Der er mange ting, som maskinlæring til sentimentanalyse skal finde ud af for at være så præcis som muligt, og derfor foretrækkes en model baseret på dyb læring.

Præcis sentimentanalyse kræver en grundig forståelse af ordklasserne. Programmører træner maskinlæringen til dette ved at mærke hvert ord som et navneord, udsagnsord, tillægsord og så videre.

Efterhånden som programmet lærer mere om sætningsstruktur, og hvordan ord arrangeres og placeres i sætninger, bygger det videre på sin grundlæggende forståelse af naturligt sprog, hvilket forbedrer klassificeringens nøjagtighed. 

Der er stadig mange forhindringer, som udfordrer maskinlæringen inden for sentimentanalyse. 

Udfordringer ved maskinlæring inden for sentimentanalyse

Der er mange udfordringer ved sentimentanalyse, uanset hvilken model du bruger.

Sentimentanalyse er noget, vi mennesker gør hele tiden. Hver gang vi læser en besked fra en ven eller et tweet fra en fremmed, er vi nødt til at finde ud af, hvad sentimentet egentlig er. Er personen sarkastisk? Morsom? Ironisk? 

Det er svært for mennesker at finde frem til den bagvedliggende betydning af tekst korrekt 100 procent af tiden. Hvis mennesker har svært ved det på deres modersmål, giver det også mening, at maskinlæring har lidt svært ved sentimentanalyse. 

Her er nogle af de ting, der gør sentimentanalyse vanskelig for maskinlæring:

Subjektivitet

Nogle udsagn er faktuelle og hverken positive eller negative, men det er ikke altid let at skelne mellem dette. Se for eksempel på de følgende to sætninger:

Skjorten er blå. 

Skjorten er smuk.

I dette eksempel er det tydeligt, hvilken sætning der har et positivt sentiment – skjorten er smuk. Men det betyder ikke, at den første sætning er negativ. Den første sætning er objektiv. Den angiver en kendsgerning – skjorten er blå. 

Vanskeligheden opstår, fordi to prædikater nogle gange ikke er ligeværdige. Den anden sætning, der kommenterer, at skjorten er smuk, er vigtigere ud fra et sentimentperspektiv, fordi den er subjektiv. Den anden kommentar viser, hvordan en bruger føler om et produkt, hvilket er data, du kan bruge. 

Tone

Tone er noget af det sværeste for mennesker at afkode, så forestil dig, hvor svært det kan være for en maskine. Det er for eksempel ekstremt svært at afgøre, om nogen er sarkastiske, ud fra tekst, fordi de normalt bruger ord, der er det modsatte af det, de mener. For eksempel: 

Min vidunderlige bil er gået i stykker igen. Fantastisk!

Min elendige bil er gået i stykker igen. 

Begge disse sætninger har et negativt sentiment, men den første sætning bruger sarkasme ved at indeholde ord som vidunderlig og fantastisk. Dette scenarie ville være svært for et sentimentanalysesystem at gennemskue, uden at et menneske ser det igennem og træffer den endelige afgørelse. 

Kontekst

I nogle tilfælde er det umuligt at bestemme sentimentet uden en bredere kontekst. Overvej følgende sentiment: “Udvalget i denne butik med kunstmaterialer er fantastisk, hvis du studerer maleri.” Når vi gennemgår teksten, finder vi ord med en positiv score som “fantastisk.” 

En bredere kontekst for dette citat antyder dog noget andet: at butikken med kunstmaterialer ikke er så fantastisk, hvis dit fokus er på blyant, blæk, skulptur eller en anden type kunstnerisk medie. Åh nej. Når du tager konteksten i betragtning, kan du beslutte, at denne anmeldelse alligevel ikke er så positiv!

Når maskinlæring udfører holdningsudvinding for at finde sentiment, tager den ikke altid højde for konteksten på en god måde.

Sammenligninger

Sammenligninger er komplekse, fordi de ikke så meget handler om ordene, som de handler om, hvordan ordene relaterer til hinanden. Her er et eksempel:

Dette er den bedste tærte, jeg nogensinde har fået. 

Deres tærte er god for en kæderestaurant. 

Den første sætning er positiv. Den anden er ikke lige så let at vurdere. Du ønsker højst sandsynligt, at dit produkt er godt sammenlignet med alle typer konkurrenter. Det andet sentiment antyder, at din tærte er af anden rang sammenlignet med specialiserede bagere, lokale steder eller andre lokationer.

Sentimentanalyseløsninger opfanger muligvis ikke sammenligningsfaktoren her. I stedet vil de læse ordet “god” og score sentimentet positivt, selvom der tydeligvis er mere i historien. 

Emojis

Alle, der bruger tid online, ved, at emojis er overalt. Nogle er simple, andre er komplicerede, men alle kan skabe problemer for maskinlæring, der forsøger at fastslå følelsen i en tekst. 

Emojis er en vigtig del af kommunikationen online. En hjerte-emoji bør læses som en positiv følelse, mens bunken af afføring-emojien bestemt vil få en negativ score. Det er ikke et problem, så længe du arbejder med følelsesbiblioteker, der indeholder scores for almindelige emojis, ligesom de måske gør for populære slangord.

Slang

Sproget udvikler sig konstant, og det omfatter også hver generations slangordforråd, såsom “smol”, “stan”, “woke” og “salty”. Ligesom med emojis kan dit værktøj til følelsesanalyse have svært ved dette.

Når alt kommer til alt, ser der ud til at opstå et nyt meme-inspireret slangord med få måneders mellemrum. Slang, der bliver hængende og måske dukker op i anmeldelser og på sociale medier, kan føjes til følelsesbiblioteket og tildeles en positiv, neutral eller negativ score...ligesom ethvert andet ord! 

Vores ordbog udvikler sig hele tiden. Jeg husker det kollektive øjenrul, da YOLO (You Only Live Once, for de uindviede) blev optaget i Oxford-onlineordbogen i 2014. Følelsesanalysatorer har dog håb: Det betyder, at ML-ordbøger også kan udvikle sig. De bedste værktøjer til følelsesanalyse vil kunne håndtere ny slang ved hjælp af softwareopdateringer eller manuel brugerinput. 

Mellemstadiet: Hvad er neutral følelse?

En måde at skabe et godt grundlag for træning af maskinlæring på er at bruge lidt tid på at overveje, hvad “neutral” egentlig betyder. Jeg brugte meget tid på at tale om positive og negative eksempler for en følelsesanalysator, men disse to følelser afhænger af, at der findes en klart defineret neutral følelse. Det er rimeligt at sige, at den neutrale følelse er en af de vigtigste dele af processen.

Men hvordan definerer man neutral? Her er 3 måder at komme i gang på:

1. Inkluder objektive tests. Husk eksemplet ovenfor: Denne skjorte er blå. Bilen er gul. Træet har blade. Det er alle objektive udsagn baseret på fakta. De har ingen positiv eller negativ følelse knyttet til sig. 

2. Filtrer alt irrelevant fra. Irrelevant information hjælper dig ikke med at afgøre, om noget er positivt eller negativt. Hvis en anmeldelse af en tørretumbler for eksempel begynder med en anekdote som: “Jeg gik ned i kælderen og smed det våde tøj i tørretumbleren, blot for at opdage, at den var i stykker”, er denne information ikke relevant for selve anmeldelsens følelse og kan udelades.

3. Ignorer forslag. Dette er ikke en urokkelig regel, men forslag bidrager ofte ikke til følelsen. Hvis du opdager, at anmeldere ønsker, at en vare havde en bestemt funktion, fortæller det dig ikke meget om kundernes følelser. Du tænker måske først, at dette er negativt, hvilket det kan være. For eksempel er “Steaken var forfærdelig, jeg ville ønske, de ikke havde stegt den for længe” negativt. Men ønsker kan også optræde i positive anmeldelser: “Kagen var lækker, jeg ville ønske, der var mere” eller “Jeg elsker alt ved denne skjorte, jeg ville ønske, den fandtes i 100 farver.” 

En klart defineret neutral følelse er grundlaget for al følelsesanalyse. Enhver analyse begynder trods alt neutralt og bevæger sig derefter i enten positiv eller negativ retning, efterhånden som teksten får en score. 

Konklusion 

Følelsesanalyse er en type værktøj baseret på maskinlæring. Maskinlæring arbejder sammen med behandling af naturligt sprog for at danne de grundlæggende byggesten i følelsesanalyseprocessen. 

Maskinlæring er dog blot den måde, computere lærer på, og det behøver ikke altid være forbundet med følelsesanalyse. Der findes også maskinlæring til chatbots til kundeservice, virksomhedsprognoser, motorer til produktanbefalinger, dynamisk produktprissætning og meget mere. 

Tilmeld dig The CX Leads nyhedsbrev for at få flere ekspertindsigter om kundeoplevelse og brugeroplevelse. 

Relateret læsning: De 10 bedste kundesupportsoftwareløsninger til SMV'er og virksomheder