L’analisi del sentiment è apprendimento automatico?

Molte persone si chiedono: "L'analisi del sentiment è apprendimento automatico?" La risposta breve è: sì. L'analisi del sentiment moderna si basa su modelli di apprendimento automatico per analizzare e migliorare il modo in cui viene rilevato il significato emotivo nei testi.

In questo articolo spiegherò cos'è l'analisi del sentiment, cosa significa apprendimento automatico e come i due elementi lavorano insieme nell'ambito dell'esperienza del cliente.

Che cos'è l'analisi del sentiment?

L'analisi del sentiment, nota anche come analisi delle opinioni, è il processo di lettura di una raccolta di testi e di interpretazione del tono come positivo o negativo. Le aziende utilizzano spesso gli strumenti di analisi del sentiment per capire come i clienti percepiscono il loro marchio o cosa dicono online della concorrenza.  

Nell'analisi del sentiment, ai blocchi di testo, come un Tweet o una recensione di un cliente, viene assegnato un punteggio negativo, neutro o positivo in base alle singole parole che compongono il testo.

Per farlo, il software di analisi del sentiment utilizza un lessico o dizionario per identificare e assegnare un punteggio a ogni parola. Questo dizionario viene creato da persone che hanno raccolto manualmente le parole e assegnato a ciascuna un punteggio. 

Questo processo richiede molto tempo ed è complesso, poiché ogni parola non solo deve avere un proprio punteggio, ma i punteggi devono essere correlati tra loro. Ad esempio, eccellente è meglio di ottimo, che è meglio di buono. 

Questo lessico costituisce la base dell'analisi del sentiment. 

Come funziona l'analisi del sentiment?

Esistono tre modi per implementare l'analisi del sentiment dei clienti e la scelta dipende soprattutto dalla quantità di dati da analizzare e dal livello di accuratezza che si vuole raggiungere. 

Basata su regole

L'analisi del sentiment basata su regole è un metodo di selezione delle caratteristiche automatico e fondato su regole stabilite dagli esseri umani. Le regole includono in genere molte tecniche di elaborazione del linguaggio naturale (NLP) e classificatori bayesiani ingenui. Questo approccio è veloce, ma estremamente semplice e non molto accurato.

Ad esempio, le regole potrebbero definire parole estremamente negative (peggiore, orribile, brutto) e positive (eccellente, migliore, bello). A queste parole viene assegnato un valore positivo o negativo. Se le parole positive sono più numerose di quelle negative, il software indica che il testo ha un sentiment positivo; se le parole negative sono più numerose, indica un sentiment negativo. Se il numero di parole positive e negative è uguale, il testo viene considerato neutro.

Come accennato, questo approccio è veloce, ma non è molto articolato. Non tiene conto di nulla oltre alle semplici regole applicate alle parole, senza prestare attenzione alla posizione delle parole o al modo in cui vengono combinate. È possibile modificare le regole durante il processo, ma questo cambierà anche tutti i risultati precedenti. Questi sistemi richiedono molte regolazioni e attività di manutenzione.

Automatico

I sistemi automatici sono considerati apprendimento automatico. Non si basano su regole impostate dai programmatori per la classificazione del sentiment, ma devono imparare. Durante l'addestramento dei sistemi automatici, il sistema impara ad associare determinate parole e combinazioni di testo a un'etichetta specifica. Il testo viene trasformato in un vettore di caratteristiche. La macchina abbina etichette e vettori di caratteristiche per generare un algoritmo e creare un modello da utilizzare in seguito. 

I vettori di caratteristiche rappresentano tutte le caratteristiche e le proprietà di un oggetto; in questo caso, le parole e le frasi. Nell'apprendimento automatico e nell'AI nell'analisi del sentiment dei clienti, sono essenziali per i modelli e gli algoritmi che elaborano i dati. Pertanto, più testi vengono forniti al sistema, più etichette e vettori di caratteristiche vengono creati e più il sistema impara e perfeziona il proprio algoritmo e modello di analisi del sentiment. 

Questo processo può diventare piuttosto complesso, arrivando all'apprendimento profondo, dove utilizza una raccolta di algoritmi e reti neurali artificiali per analizzare i dati, nel tentativo di imitare il processo di pensiero del cervello umano.

Ibrido

Un approccio ibrido utilizza una combinazione di analisi del sentiment basata su regole e automatica, idealmente prendendo gli aspetti migliori di ciascuna e unendoli in un unico metodo. Questo metodo è generalmente il più accurato.

Come si collegano l'analisi del sentiment e l'apprendimento automatico

L'apprendimento automatico è una parte importante dell'analisi del sentiment, ma non è l'unico elemento che conta. 

Utilizzando l'elaborazione del linguaggio naturale, i programmatori possono fornire enormi quantità di testo e dati durante la creazione di un lessico del sentiment e l'addestramento del programma di apprendimento automatico. Il programma continuerà ad assegnare un punteggio a un numero sempre maggiore di parole, migliorando il proprio algoritmo e la capacità di eseguire l'analisi del sentiment e, infine, la previsione del sentiment. Questi miglioramenti sono supportati dagli algoritmi di apprendimento automatico.

L'analisi del sentiment basata sull'apprendimento automatico deve individuare molti elementi per essere il più accurata possibile, motivo per cui è preferibile utilizzare un modello di apprendimento profondo.

Un'analisi accurata del sentiment richiede una conoscenza approfondita delle parti del discorso. I programmatori addestrano l'apprendimento automatico a questo scopo contrassegnando ogni parola come sostantivo, verbo, aggettivo e così via.

Man mano che il programma apprende maggiori informazioni sulla struttura delle frasi e sul modo in cui le parole vengono organizzate e collocate nelle frasi, costruisce sulla propria comprensione di base del linguaggio naturale, migliorando l'accuratezza della classificazione. 

Nonostante ciò, sono numerosi gli ostacoli che mettono alla prova l'apprendimento automatico nell'analisi del sentiment. 

Le sfide dell'apprendimento automatico nell'analisi del sentiment

L'analisi del sentiment presenta numerose difficoltà, indipendentemente dal modello utilizzato.

L'analisi del sentiment è qualcosa che noi esseri umani facciamo continuamente. Ogni volta che leggiamo un messaggio di un amico o un Tweet di uno sconosciuto, dobbiamo capire quale sia realmente il sentiment. La persona è sarcastica? Spiritosa? Ironica? 

Per le persone è difficile capire accuratamente il significato di un testo il 100 percento delle volte. Se gli esseri umani hanno difficoltà nella propria lingua madre, è logico che anche l'apprendimento automatico incontri qualche difficoltà nell'analisi del sentiment. 

Ecco alcuni degli elementi che rendono difficile l'analisi del sentiment per l'apprendimento automatico:

Soggettività

Alcune affermazioni sono fattuali e non sono positive né negative, ma non è sempre facile distinguere questo aspetto. Osserviamo, ad esempio, le due frasi seguenti:

La camicia è blu. 

La camicia è bellissima.

In questo esempio, è ovvio quale frase abbia un sentiment positivo: la camicia è bellissima. Ma questo non significa che la prima frase sia negativa. La prima frase è oggettiva. Afferma un fatto: la camicia è blu. 

La difficoltà nasce dal fatto che talvolta due predicati non hanno lo stesso valore. La seconda frase, che commenta la bellezza della camicia, è più importante dal punto di vista del sentiment perché è soggettiva. Il secondo commento indica come si sente un utente riguardo a un prodotto, e questo è un dato che è possibile utilizzare. 

Tono

Il tono è uno degli aspetti più difficili da decifrare per gli esseri umani, quindi immaginate quanto possa essere difficile per una macchina. Capire se qualcuno è sarcastico, ad esempio, è estremamente difficile attraverso un testo, perché di solito vengono utilizzate parole opposte a ciò che si intende realmente. Ad esempio: 

La mia meravigliosa auto si è guastata di nuovo. Fantastico!

La mia auto scassata si è guastata di nuovo. 

Entrambe le frasi hanno un sentiment negativo, ma la prima utilizza il sarcasmo includendo parole come meravigliosa e fantastico. Per un sistema di analisi del sentiment, sarebbe difficile interpretare questa situazione senza che una persona la esamini e prenda la decisione finale. 

Contesto

In alcuni casi, è impossibile determinare il sentiment senza un contesto più ampio. Considerate il seguente sentiment: “La scelta in questo negozio di articoli per belle arti è ottima se studi pittura.” Esaminando il testo, notiamo parole valutate positivamente come “ottima”. 

Tuttavia, un contesto più ampio di questa citazione implica qualcos'altro: il negozio di articoli per belle arti non è poi così valido se ci si concentra su matita, inchiostro, scultura o su un diverso tipo di mezzo artistico. Oh oh. Considerando il contesto, si potrebbe decidere che questa recensione, dopotutto, non è poi così positiva!

Quando l'apprendimento automatico estrae opinioni per analizzare il sentiment, non tiene sempre conto del contesto in modo efficace.

Confronti

I confronti sono complessi perché non riguardano tanto le parole, quanto il modo in cui le parole sono correlate tra loro. Ecco un esempio:

Questa è la torta migliore che abbia mai mangiato. 

La loro torta è buona per essere quella di una catena di ristoranti. 

La prima frase è positiva. La seconda non è altrettanto facile da determinare. Molto probabilmente vuoi che il tuo prodotto sia valido rispetto a ogni tipo di concorrenza. Il secondo sentimento implica che, a confronto con panettieri specializzati, locali della zona o altre sedi, la tua torta sia di seconda categoria.

Le soluzioni di analisi del sentiment potrebbero non cogliere il fattore del confronto in questo caso. Invece, leggerebbero la parola “valido” e valuterebbero positivamente il sentiment, anche se è chiaramente presente dell’altro. 

Emoji

Chiunque passi del tempo online sa che le emoji sono ovunque. Alcune sono semplici, altre complicate, ma tutte possono creare problemi all’apprendimento automatico che cerca di determinare il sentiment. 

Le emoji sono una parte importante della comunicazione online. Un’emoji a forma di cuore dovrebbe essere interpretata come un sentiment positivo, mentre l’emoji della cacca sarebbe certamente valutata negativamente. Questo non è un problema finché lavori con librerie di sentiment che assegnano punteggi alle emoji comuni, proprio come potrebbero fare con le parole gergali più diffuse.

Gergo

La lingua è in continua evoluzione e questo include il lessico gergale di ogni generazione, come “smol”, “stan”, “woke” e “salty”. Come nel caso delle emoji, il tuo strumento di analisi del sentiment potrebbe avere difficoltà anche in questo caso.

Dopotutto, sembra emergere ogni pochi mesi una nuova parola gergale ispirata ai meme. Il gergo che rimane in uso e potrebbe comparire nelle recensioni e sui social media può essere aggiunto alla libreria del sentiment e associato a un punteggio positivo, neutro o negativo... proprio come qualsiasi altra parola! 

Il nostro dizionario linguistico è in continua evoluzione. Ricordo il consenso generale espresso con gli occhi al cielo quando YOLO (You Only Live Once, per chi non lo sapesse) è entrato nel dizionario online di Oxford nel 2014. Tuttavia, gli analizzatori del sentiment hanno motivo di sperare: questo significa che anche i dizionari di ML possono evolversi. I migliori strumenti di analisi del sentiment supporteranno il nuovo gergo attraverso aggiornamenti software o l’inserimento manuale da parte degli utenti. 

La via di mezzo: cos’è un sentiment neutro?

Un modo per creare una buona base per l’addestramento dell’apprendimento automatico consiste nel dedicare del tempo a riflettere su cosa significhi esattamente “neutro”. Ho trascorso molto tempo a parlare di esempi positivi e negativi per un analizzatore del sentiment, ma questi due sentiment dipendono dall’avere un neutro chiaramente definito. È corretto dire che il neutro è una delle parti più importanti del processo.

Ma come si definisce il neutro? Ecco 3 modi per iniziare:

1. Includi test oggettivi. Ricorda l’esempio precedente: questa camicia è blu. L’auto è gialla. L’albero ha delle foglie. Sono tutte affermazioni oggettive basate sui fatti. Non esprimono alcun sentiment positivo o negativo. 

2. Escludi tutto ciò che è irrilevante. Le informazioni irrilevanti non ti aiuteranno a determinare se qualcosa è positivo o negativo. Ad esempio, se una recensione di un’asciugatrice inizia con un aneddoto, come “Sono andato in cantina e ho messo i vestiti bagnati nell’asciugatrice, solo per scoprire che era rotta”, questa informazione non è rilevante per il sentiment della recensione in sé e può essere esclusa.

3. Ignora i suggerimenti. Questa non è una regola assoluta, ma spesso i suggerimenti non contribuiscono al sentiment. Se noti che i recensori desiderano che un articolo abbia una determinata funzione, questo non ti dice molto sul sentiment dei clienti. Inizialmente potresti pensare che sia un aspetto negativo, e può esserlo. Ad esempio, “La bistecca era pessima, avrei voluto che non l’avessero cotta troppo” è negativo. Ma desideri e aspettative possono comparire anche nelle recensioni positive. “La torta era deliziosa, avrei voluto che ce ne fosse di più” oppure “Adoro tutto di questa camicia, avrei voluto che fosse disponibile in 100 colori.” 

Avere un neutro chiaramente definito è il fondamento di ogni analisi del sentiment. Dopotutto, ogni analisi parte da uno stato neutro e poi si orienta verso il positivo o il negativo man mano che il testo viene valutato. 

Conclusione 

L’analisi del sentiment è un tipo di strumento di apprendimento automatico. L’apprendimento automatico lavora con l’elaborazione del linguaggio naturale per creare i componenti fondamentali del processo di analisi del sentiment. 

L’apprendimento automatico indica semplicemente il modo in cui i computer apprendono, tuttavia, e non deve essere sempre intrecciato con l’analisi del sentiment. Esistono anche sistemi di apprendimento automatico per i chatbot del servizio clienti, le previsioni aziendali, i motori di raccomandazione dei prodotti, la determinazione dinamica dei prezzi dei prodotti e molto altro. 

Iscriviti alla newsletter di The CX Lead per ricevere ulteriori approfondimenti da parte di esperti sull’esperienza del cliente e sull’esperienza utente.