Onko sentimenttianalyysi koneoppimista?
Monet pohtivat: "Onko mielipideanalyysi koneoppimista?" Lyhyt vastaus: kyllä. Nykyaikainen mielipideanalyysi perustuu koneoppimismalleihin, joiden avulla analysoidaan ja parannetaan sitä, miten tekstissä ilmaistuja tunteisiin liittyviä merkityksiä havaitaan.
Tässä artikkelissa selitän, mitä mielipideanalyysi on, mitä koneoppiminen tarkoittaa ja miten nämä kaksi toimivat yhdessä asiakaskokemuksen yhteydessä.
Mitä mielipideanalyysi on?
Mielipideanalyysi, joka tunnetaan myös mielipiteiden louhintana, on prosessi, jossa tekstikokoelmaa luetaan ja tulkitaan, onko sen sävy myönteinen vai kielteinen. Yritykset käyttävät usein mielipideanalyysityökaluja ymmärtääkseen, mitä asiakkaat ajattelevat niiden brändistä tai mitä ihmiset sanovat verkossa niiden kilpailijoista.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Mielipideanalyysissä tekstikokonaisuuksille – kuten twiitille tai asiakasarvostelulle – annetaan kielteinen, neutraali tai myönteinen pisteytys tekstin muodostavien yksittäisten sanojen perusteella.
Tätä varten mielipideanalyysiohjelmisto käyttää sanastoa tai sanakirjaa jokaisen sanan tunnistamiseen ja pisteyttämiseen. Tämän sanakirjan kokoavat ihmiset, jotka ovat keränneet sanat manuaalisesti ja antaneet kullekin niistä pisteytyksen.
Prosessi on aikaa vievä ja laaja, sillä jokainen sana tarvitsee paitsi oman pisteytyksensä, myös pisteytysten on oltava suhteessa toisiinsa. Esimerkiksi paras on parempi kuin erinomainen, joka puolestaan on parempi kuin hyvä.
Tämä sanasto muodostaa mielipideanalyysin perustan.
Miten mielipideanalyysi toimii?
Asiakkaiden mielipideanalyysi voidaan toteuttaa kolmella tavalla, ja valinta riippuu pääasiassa analysoitavan datan määrästä sekä siitä, kuinka tarkkoja tuloksia tavoittelet.
Sääntöpohjainen
Sääntöpohjainen mielipideanalyysi on ominaisuuksien valintamenetelmä, joka on automaattinen ja perustuu ihmisten määrittämiin sääntöihin. Säännöt sisältävät tyypillisesti monia luonnollisen kielen käsittelyn (NLP) tekniikoita ja naiiveja Bayes-luokittimia. Tämä lähestymistapa on nopea, mutta erittäin yksinkertainen eikä kovin tarkka.
Säännöissä voidaan esimerkiksi määritellä erittäin kielteisiä (pahin, hirvittävä, ruma) ja myönteisiä (erinomainen, paras, kaunis) sanoja. Näille sanoille annetaan myönteinen tai kielteinen arvo. Jos myönteisiä sanoja on enemmän kuin kielteisiä, ohjelmisto ilmoittaa tekstin mielipiteen olevan myönteinen; jos kielteisiä sanoja on enemmän, se ilmoittaa mielipiteen olevan kielteinen. Jos myönteisiä ja kielteisiä sanoja on yhtä paljon, teksti katsotaan neutraaliksi.
Kuten mainittua, tämä lähestymistapa on nopea, mutta siinä ei ole juurikaan vivahteita. Se ei huomioi mitään muuta kuin sanoihin sovellettavia yksinkertaisia sääntöjä eikä kiinnitä huomiota siihen, missä sanat esiintyvät tai miten ne yhdistyvät. Sääntöjä voi muuttaa työn edetessä, mutta tällöin myös kaikki aiemmat tulokset muuttuvat. Näitä järjestelmiä on säädettävä ja ylläpidettävä paljon.
Automaattinen
Automaattisia järjestelmiä pidetään koneoppimisena. Ne eivät perustu ohjelmoijien mielipiteiden luokittelua varten asettamiin sääntöihin, mutta niiden on opittava. Automaattisia järjestelmiä koulutettaessa järjestelmä oppii yhdistämään tietyt sanat ja tekstiyhdistelmät tiettyyn tunnisteeseen. Teksti muunnetaan ominaisuusvektoriksi. Kone yhdistää tunnisteet ja ominaisuusvektorit algoritmin luomiseksi ja mallin muodostamiseksi tulevaa käyttöä varten.
Ominaisuusvektorit edustavat objektin kaikkia ominaisuuksia ja piirteitä – tässä tapauksessa sanoja ja ilmauksia. Koneoppimisessa ja asiakkaiden mielipideanalyysin tekoälyssä ne ovat olennaisia datan käsittelyssä käytettävien mallien ja algoritmien kannalta. Mitä enemmän testejä järjestelmälle syötetään, sitä enemmän tunnisteita ja ominaisuusvektoreita se luo ja sitä enemmän se oppii sekä hienosäätää algoritmiaan ja mielipideanalyysimalliaan.
Tämä prosessi voi muuttua varsin monimutkaiseksi ja edetä syväoppimiseen, jossa datan analysointiin käytetään algoritmien ja keinotekoisten neuroverkkojen kokonaisuutta ihmisaivojen ajatteluprosessin jäljittelemiseksi.
Hybridi
Hybridilähestymistavassa yhdistetään sääntöpohjainen ja automaattinen mielipideanalyysi, jolloin kummastakin pyritään ottamaan parhaat puolet ja yhdistämään ne yhdeksi kokonaisuudeksi. Tämä menetelmä on yleensä tarkin.
Miten mielipideanalyysi ja koneoppiminen liittyvät toisiinsa?
Koneoppiminen on tärkeä osa mielipideanalyysiä, mutta se ei ole ainoa merkityksellinen tekijä.
Luonnollisen kielen käsittelyn avulla ohjelmoijat voivat syöttää valtavia määriä tekstiä ja dataa rakentaessaan mielipidesanastoa ja kouluttaessaan koneoppimisohjelmaa. Ohjelma jatkaa yhä useampien sanojen pisteyttämistä, mikä parantaa sen algoritmia ja kykyä suorittaa mielipideanalyysiä ja lopulta ennustaa mielipiteitä. Koneoppimisalgoritmit tukevat näitä parannuksia.
Mielipideanalyysiin käytettävän koneoppimisen on selvitettävä monia asioita voidakseen olla mahdollisimman tarkka, minkä vuoksi syväoppimismallia suositellaan.
Tarkka mielipideanalyysi edellyttää lauseenjäsenten perusteellista ymmärtämistä. Ohjelmoijat kouluttavat koneoppimista tähän merkitsemällä jokaisen sanan substantiiviksi, verbiksi, adjektiiviksi ja niin edelleen.
Kun ohjelma oppii lisää lauserakenteesta ja siitä, miten sanat järjestetään ja sijoitetaan lauseisiin, se rakentaa luonnollisen kielen perusymmärryksensä päälle ja parantaa luokittelun tarkkuutta.
Tästä huolimatta mielipideanalyysin koneoppimiseen liittyy monia haasteita.
Mielipideanalyysin koneoppimisen haasteet
Mielipideanalyysiin liittyy monia haasteita käyttämästäsi mallista riippumatta.
Mielipideanalyysiä me ihmiset teemme jatkuvasti. Aina kun luemme ystävän lähettämän tekstiviestin tai tuntemattoman henkilön twiitin, meidän on pääteltävä, mikä sen todellinen mielipide on. Onko hän sarkastinen? Hauska? Ironinen?
Ihmisten on vaikea päätellä tekstin merkitystä tarkasti sataprosenttisesti. Jos ihmisillä on vaikeuksia sen kanssa omalla äidinkielellään, on ymmärrettävää, että myös koneoppimisella on hieman vaikeuksia mielipideanalyysissä.
Seuraavat asiat vaikeuttavat mielipideanalyysiä koneoppimiselle:
Subjektiivisuus
Jotkin lausumat ovat tosiasioita eivätkä positiivisia tai negatiivisia, mutta tätä ei ole aina helppo erottaa. Tarkastellaan esimerkiksi seuraavia kahta lausetta:
Paita on sininen.
Paita on kaunis.
Tässä esimerkissä on selvää, kummassa lauseessa on positiivinen mielipide – paita on kaunis. Se ei kuitenkaan tarkoita, että ensimmäinen lause olisi negatiivinen. Ensimmäinen lause on objektiivinen. Se kertoo tosiasian – paita on sininen.
Vaikeaksi asian tekee se, että joskus kaksi predikaattia eivät ole samanarvoisia. Toinen lause, jossa kommentoidaan paidan kauneutta, on mielipiteen kannalta tärkeämpi, koska se on subjektiivinen. Toinen kommentti ilmaisee, mitä käyttäjä tuntee tuotetta kohtaan, ja tätä tietoa voit hyödyntää.
Sävy
Sävy on yksi vaikeimmin tulkittavista asioista ihmisille, joten kuvittele, kuinka vaikeaa se voi olla koneelle. Esimerkiksi sen selvittäminen, onko joku sarkastinen, on tekstin perusteella erittäin vaikeaa, koska ihmiset käyttävät yleensä sanoja, jotka tarkoittavat päinvastaista kuin mitä he oikeasti tarkoittavat. Esimerkiksi:
Upea autoni hajosi taas. Hienoa!
Romuautoni hajosi taas.
Molemmissa lauseissa on negatiivinen mielipide, mutta ensimmäisessä käytetään sarkasmia sisällyttämällä siihen sanoja kuten upea ja hienoa. Mielipideanalyysijärjestelmän olisi vaikea tulkita tätä tilannetta ilman, että ihminen tarkastelisi sitä ja tekisi lopullisen arvion.
Asiayhteys
Joissakin tapauksissa mielipidettä on mahdotonta määrittää ilman laajempaa asiayhteyttä. Tarkastellaan seuraavaa mielipidettä: “Tämän taidetarvikeliikkeen valikoima on erinomainen, jos pääaineesi on maalaus.” Kun käymme tekstin läpi, huomaamme positiivisesti pisteytettyjä sanoja, kuten “erinomainen.”
Laajempi asiayhteys kuitenkin antaa lainaukselle toisen merkityksen: taidetarvikeliike ei ole kovin hyvä, jos keskityt lyijykyniin, musteeseen, kuvanveistoon tai johonkin muuhun taiteen muotoon. Voi ei. Kun otat asiayhteyden huomioon, saatat päättää, ettei tämä arvio loppujen lopuksi olekaan niin positiivinen!
Kun koneoppiminen louhii mielipiteitä tunteiden määrittämiseksi, se ei aina huomioi asiayhteyttä hyvin.
Vertailut
Vertailut ovat monimutkaisia, koska niissä ei ole niinkään kyse sanoista kuin siitä, miten sanat liittyvät toisiinsa. Tässä on esimerkki:
Tämä on paras piirakka, jonka olen koskaan syönyt.
Heidän piirakkansa on hyvä ketjuravintolaksi.
Ensimmäinen lause on positiivinen. Toista ei ole yhtä helppo tulkita. Haluat todennäköisesti, että tuotteesi on hyvä kaikenlaiseen kilpailuun verrattuna. Toinen mielipide antaa ymmärtää, että erikoistuneisiin leipureihin, paikallisiin leipomoihin tai muihin paikkoihin verrattuna piirakkasi on toiseksi paras.
Mielipideanalyysiratkaisut eivät välttämättä havaitse tässä vertailutekijää. Sen sijaan ne lukisivat sanan “hyvä” ja pisteyttäisivät mielipiteen positiiviseksi, vaikka kokonaisuudessa on selvästi enemmän tulkittavaa.
Emojit
Kaikki verkossa aikaa viettävät tietävät, että emojit ovat kaikkialla. Jotkut ovat yksinkertaisia, jotkut monimutkaisia, mutta kaikki voivat aiheuttaa ongelmia koneoppimiselle, joka yrittää selvittää tunneanalyysia.
Emojit ovat tärkeä osa verkkoviestintää. Sydänemojin pitäisi tulkita ilmaisevan positiivista tunnetta, kun taas kakkakasaa kuvaava emoji saisi varmasti negatiivisen arvon. Tämä ei ole ongelma, kunhan käytät tunneanalyysikirjastoja, jotka sisältävät pisteytykset yleisille emojeille samalla tavalla kuin suosituille slangisanoille.
Slangi
Kieli kehittyy jatkuvasti, ja tähän kuuluu myös jokaisen sukupolven slangisanasto, kuten ”smol”, ”stan”, ”woke” ja ”salty”. Kuten emojien kohdalla, tunneanalyysityökalullasi voi olla vaikeuksia myös näiden kanssa.
Loppujen lopuksi näyttää siltä, että muutaman kuukauden välein syntyy uusi meemien innoittama slangisana. Pidempään käytössä pysyvä slangi, jota saattaa esiintyä arvosteluissa ja sosiaalisessa mediassa, voidaan lisätä tunneanalyysikirjastoon ja sille voidaan määrittää positiivinen, neutraali tai negatiivinen arvo... aivan kuten mille tahansa muullekin sanalle!
Sanastomme kehittyy jatkuvasti. Muistan, kuinka ihmiset pyörittelivät kollektiivisesti silmiään, kun YOLO (Elät vain kerran, asiaan vihkiytymättömille) lisättiin Oxfordin verkkosanakirjaan vuonna 2014. Tunneanalyysityökaluilla on kuitenkin toivoa: tämä tarkoittaa, että myös koneoppimisen sanastot voivat kehittyä. Parhaat tunneanalyysityökalut mukautuvat uuteen slangiin ohjelmistopäivitysten tai käyttäjän manuaalisen syötteen avulla.
Välietappi: Mitä neutraali tunne tarkoittaa?
Yksi tapa luoda hyvä perusta koneoppimisen kouluttamiselle on käyttää aikaa sen pohtimiseen, mitä ”neutraali” oikeastaan tarkoittaa. Käytin paljon aikaa puhuakseni tunneanalyysityökalun positiivisista ja negatiivisista esimerkeistä, mutta nämä kaksi tunnetta riippuvat selkeästi määritellystä neutraalista. On perusteltua sanoa, että neutraali on yksi prosessin tärkeimmistä osista.
Mutta miten neutraali määritellään? Tässä on 3 tapaa päästä alkuun:
- Sisällytä objektiivisia testejä. Muista yllä oleva esimerkki: tämä paita on sininen. Auto on keltainen. Puussa on lehtiä. Kaikki nämä ovat tosiasioihin perustuvia objektiivisia väittämiä. Niihin ei liity positiivista tai negatiivista tunnetta.
- Suodata kaikki epäolennainen pois. Epäolennainen tieto ei auta määrittämään, onko jokin positiivista vai negatiivista. Jos esimerkiksi kuivausrumpua koskeva arvostelu alkaa anekdootilla, kuten ”Menin kellariin ja laitoin märät vaatteet kuivausrumpuun, mutta huomasin, että se oli rikki”, tämä tieto ei liity arvostelun tunnesisältöön, ja se voidaan jättää pois.
- Jätä ehdotukset huomiotta. Tämä ei ole ehdoton sääntö, mutta usein ehdotukset eivät vaikuta tunnesisältöön. Jos arvostelijat toivovat tuotteeseen jotakin ominaisuutta, se ei kerro paljon asiakkaan tunteista. Saatat aluksi ajatella tämän olevan negatiivista, ja se voikin olla sitä. Esimerkiksi ”Pihvi oli kamalaa, kunpa sitä ei olisi ylikypsennetty” on negatiivinen ilmaus. Toiveita voi kuitenkin esiintyä myös positiivisissa arvosteluissa: ”Kakku oli herkullista, kunpa sitä olisi ollut enemmän” tai ”Rakastan kaikkea tässä paidassa, kunpa sitä olisi saatavana 100 eri värissä.”
Selkeästi määritelty neutraali on kaiken tunneanalyysin perusta. Jokainen analyysi alkaa lopulta neutraalista ja muuttuu sitten joko positiiviseksi tai negatiiviseksi tekstin pisteytyksen perusteella.
Yhteenveto
Tunneanalyysi on eräänlainen koneoppimisen työkalu. Koneoppiminen toimii yhdessä luonnollisen kielen käsittelyn kanssa ja muodostaa tunneanalyysiprosessin keskeiset rakennuspalikat.
Koneoppiminen tarkoittaa kuitenkin yksinkertaisesti sitä, miten tietokoneet oppivat, eikä sen aina tarvitse liittyä tunneanalyysiin. Koneoppimista käytetään myös asiakaspalveluchatboteissa, liiketoiminnan ennustamisessa, tuotteiden suosittelukoneistoissa, tuotteiden dynaamisessa hinnoittelussa ja monissa muissa tarkoituksissa.
Tilaa The CX Lead -uutiskirje saadaksesi lisää asiantuntijanäkemyksiä asiakas- ja käyttäjäkokemuksesta.
Aiheeseen liittyvä lukeminen: 10 parasta asiakastukiohjelmistoa pk-yrityksille ja suuryrityksille
