Hvordan fungerer sentimentanalyse?

Du vet kanskje allerede at sentimentanalyse brukes til å avgjøre om et datastykke har en nøytral, positiv eller negativ holdning. Men siden du er her, er sjansen stor for at du ikke har så mye dypere forståelse enn det.

I denne artikkelen skal jeg svare på spørsmålene: Hva er sentimentanalyse? Hvordan fungerer sentimentanalyse? Og hva kan sentimentanalyse gjøre for deg? 

Når du har fått full oversikt, kan du gå videre og se på listen vår over de 10 beste verktøyene for sentimentanalyse.

Hva er sentimentanalyse?

Før vi går i dybden, tar vi en rask oppsummering av hva sentimentanalyse er.

Som mennesker bruker vi sentimentanalyse daglig for å vurdere hverandres meninger. Noen ganger kan det være vanskelig, for eksempel når vi har med en spesielt sarkastisk venn å gjøre eller prøver å finne ut hva sjefen vår egentlig mener når han eller hun gir tilbakemelding på en stor presentasjon! Programvare for sentimentanalyse forsøker å etterligne denne svært menneskelige opplevelsen.

Selv om noe programvare kan analysere tale, brukes de fleste verktøyene for sentimentanalyse til tekstanalyse for å klassifisere den overordnede holdningen i en tekst som positiv, negativ eller nøytral. Dette kalles polaritet. 

Vanlige datakilder for sentimentanalyse er innlegg i sosiale medier, nyhetsartikler, anmeldelser på nettet, innsamlede tilbakemeldingsskjemaer, spørreundersøkelsessvar, nettsider/blogger/forum. Du kan også høre sentimentanalyse omtalt som meningsutvinning, følelsesbasert kunstig intelligens eller, mer teknisk, sentimentklassifisering.

Det finnes fire hovedtyper av sentimentanalyse: 

• Finkornet, også kalt polaritet (positiv, negativ eller nøytral)
• Følelser og emosjoner (glad, sint, trist, underholdt) 
• Aspektbasert (identifiserer en mening om et spesifikt aspekt ved noe, for eksempel kameraet på en smarttelefon)
• Hensikt (interessert, ikke interessert, svært interessert).

Verktøy for sentimentanalyse hjelper deg med å gå gjennom den enorme mengden subjektive data som er tilgjengelig på web 2.0, for å forstå tilbakemeldinger fra interessenter. 

Organisasjoner bruker sentimentanalyse på en rekke måter. Mange merkevarer bruker det som en del av markedsundersøkelsene sine for å få bedre forståelse av hva i merkevarestrategien som fungerer godt, og hvor de trenger å forbedre seg. En annen bruk er at finansinstitusjoner analyserer nyhetssyklusen og identifiserer investeringsmuligheter.

Hvordan fungerer sentimentanalyse?

OK, la oss nå se nærmere på hvordan sentimentanalyse faktisk fungerer. I bunn og grunn er sentimentanalyse en form for datavitenskap. Mer spesifikt er det en form for behandling av naturlig språk (NLP), som selv er en undergren av kunstig intelligens (AI), for å identifisere og klassifisere subjektive meninger fra tekst- eller taledata.

Kunstig intelligens i sentimentanalyse av kunder befinner seg akkurat i skjæringspunktet mellom datateknologi og menneskelig tale, noe som er spennende for enhver dataforsker med interesse for lingvistikk. 

Men det er ikke enkelt. For å forstå språket i en tekst ordentlig og produsere en nøyaktig sentimentskår eller meningsfull innsikt, må programmene bruke en rekke metoder som simulerer det vi mennesker gjør intuitivt. Disse simuleringene tar form av avanserte algoritmer (instruksjoner for datamaskiner).

Herfra finnes det to hovedtilnærminger til sentimentanalyse:

• Regelbasert: et system basert på regler som er fastsatt manuelt av mennesker.
• Automatisk: systemer som lærer selv ved hjelp av avanserte maskinlæringsteknikker. 

Den grunnleggende forskjellen mellom de to er hvordan de går fram for å lære opp systemet. Nå skal vi se nærmere på disse.

Regelbasert sentimentanalyse

Den regelbaserte metoden bruker NLP sammen med et sett manuelt definerte regler for å bidra til å identifisere subjektivitet, polaritet eller temaet for en mening. Noen av NLP-teknikkene som brukes, er stemming, tokenisering, ordklassemerking, syntaktisk analyse og leksikalsk analyse. Hvis du er interessert, kan du lese mer om disse her.

Her er et grunnleggende eksempel på regelbasert sentimentanalyse. 

For å fastslå polariteten i et tekststykke må verktøy for sentimentanalyse først dele det opp i individuelle bestanddeler, det vil si ord og uttrykk, ved hjelp av NLP. Deretter kjører det disse mot en database, kalt et leksikon eller et sentimentbibliotek, som er satt sammen av en samling ord og uttrykk som er samlet inn og skåret manuelt. 

Vanligvis tildeles nøytrale ord og uttrykk en poengsum på null. Ord som er betydelig negative, får en negativ poengsum, mens positive ord får en positiv poengsum. I en produktanmeldelse vil for eksempel ord og uttrykk som dårlig, skuffende, forferdelig og grusom kundeservice få en negativ poengsum, mens god, flott, hjelpsom og nyttig vil få en positiv poengsum.

Å bygge et sentimentbibliotek og de tilhørende reglene er en omfattende prosess. Man må være nøye med å tildele hvert ord en poengsum og også gjøre passende sammenligninger. Systemet må for eksempel forstå at «dårlig» er et negativt ord, men at «forferdelig» er enda mer negativt; «god» er positivt, og «fantastisk» er enda mer positivt.

Det regelbaserte systemet kan være raskt å lage, men er noe begrenset. Dette skyldes at det ikke kan gjenkjenne ord som ikke finnes i biblioteket, eller analysere ord med hensyn til kontekst – noe som gjør det vanskelig å identifisere kompleksiteter som sarkasme, homonymer og polysemi. Uttrykket «kaller du dette utmerket kundeservice?» kan for eksempel lett bli feiltolket.

Regelbaserte systemer krever også mye arbeid for å vedlikeholdes og oppdateres. Man må fortsette å legge til nye regler manuelt for å holde tritt med utviklingen av språket på nettet. Når man legger til nye regler, er det også en risiko for at tidligere resultater påvirkes. 

Automatisk sentimentanalyse

I stedet for å basere seg på et sett med regler som er opprettet og oppdatert manuelt, trenes automatiske sentimentanalysesystemer ved hjelp av maskinlæringsteknikker. I dette tilfellet viser maskinlæring til algoritmer som bruker dyp læring for å bli mer nøyaktige hver gang de møter en hindring, trenger menneskelig inngripen eller mottar tilbakemeldinger fra brukere. 

Det blir teknisk, men her er en forenklet versjon av hvordan det fungerer.

1. Finn et stort datasett som ligner på dataene du ønsker å analysere, og merk noen eksempler. Dette blir treningsdataene. Du gir ikke systemet regler, men eksempler.
   
2. Bruk treningsdataene til å utvikle maskinlæringsmodellen din. Denne vil bestå av klassifiseringsalgoritmer som lineær regresjon, naiv Bayes, støttevektormaskiner og RNN-avledede LSTM- og GRU-modeller. Som navnet antyder, brukes disse til å klassifisere data (positive, negative, glade, triste osv.). Hvis du er interessert, finner du mer informasjon om disse her.
   
3. Hvis modellen fungerer, vil den etter å ha fått nok relevante data kunne lage sine egne forutsigelser for å klassifisere data den ikke har sett tidligere. Den har identifisert sine egne regler!
   
4. Fortsett å forbedre nøyaktigheten til disse modellene ved å gi dem flere eksempler.

Fordelen med den automatiske tilnærmingen er muligheten til å tilpasse seg og lage modeller som trenes for mange ulike formål og kontekster.

Vi vet for eksempel at ordet føniks viser til en mytisk fugl, men også til byen Phoenix i Arizona. En maskinlæringsalgoritme kan trenes til å identifisere hvilken betydning av Phoenix som menes når ordet brukes i en setning, basert på konteksten. Deretter kan den bruke denne erfaringen til å gjenkjenne lignende tilfeller.

På samme måte markerer en modell «våknet» (i betydningen «å våkne») som et nøytralt ord. «Woke» har imidlertid nylig blitt slang for «sosiopolitisk bevisst», noe som gjør det til et nyetablert homonym. Når algoritmen mottar denne tilbakemeldingen én gang, kan den bruke den nye kunnskapen i alle fremtidige analyser. Ordet «woke» får nå en poengsum som heller mot positiv i visse kontekster.

Automatiserte metoder anses generelt som overlegne. Ulempen med en automatisert tilnærming basert på maskinlæring er imidlertid at den er avhengig av å ha historiske data med etiketter, og at det kan ta tid å trene den. De krever også svært dyktige dataforskere for å utvikle!

Hybrid tilnærming

Ved å kombinere naturlig språkbehandling med maskinlæring, noe som kalles en hybridtilnærming, anses man i stor grad å kunne forbedre nøyaktigheten i sentimentanalyse. Naturlig språkbehandling brukes til å forstå ords sentiment og ordklasser. Maskinlæring brukes til å håndtere den konstante utviklingen av språket, se ord i kontekst og finne ut av komplekse språkprosesser som homonymer. 

Bruksområder for sentimentanalyse

Som nevnt er sentimentanalyse svært nyttig for organisasjoner som ønsker å vite hva folk føler om dem. Med så mye data som hele tiden blir skapt over hele verden, kan sentimentanalyse hjelpe deg med å få oversikt over alt i sanntid. 

Her er noen av måtene denne teknologien allerede gjør en forskjell på:

Reagere på kundeopplevelsen

Tilbakemeldinger om kundeopplevelsen kan hentes organisk fra nettet (for eksempel omtaler i sosiale medier) eller fra tilbakemeldinger du selv aktivt ber om. Forhåpentligvis har du et stort og variert datasett å arbeide med. I så fall kan bruk av sentimentanalyseprogramvare raskt dekke mye og gi verdifull innsikt. Denne innsikten kan deretter brukes i arbeidet med omdømmehåndtering, informere om produktinnovasjoner og forbedre kundestøtten.

Overvåke konkurrenter

Ved å overvåke sentimentet rundt konkurrentene dine kan du få en god forståelse av posisjonen deres i markedet og sammenligne den med din egen. La oss for eksempel si at Twitter-omtalene dine er 40 prosent positive, 30 prosent negative og resten nøytrale. Hvordan vet du om det er bra eller ikke? Hvis den største konkurrenten din ligger på rundt 60 prosent positive, 30 prosent negative og resten nøytrale omtaler, har du litt arbeid å gjøre. Hvis sentimentet derimot er 50 prosent negativt, vet du at du gjør det greit i henhold til bransjestandardene. 

Medarbeideropplevelse

Til slutt kan sentimentanalyse hjelpe med å analysere data som HR-team bruker for å forstå hva som gjør medarbeidere fornøyde, eller hvorfor de slutter i en bedrift. Ved å identifisere vanlige klager og problemer får arbeidsgivere handlingsrettet innsikt i hvordan de kan redusere gjennomtrekk og forbedre medarbeidernes prestasjoner. Denne funksjonen er spesielt nyttig for bedrifter med mange ansatte, ettersom ledelsen ikke ville hatt tid til å snakke med hundrevis av medarbeidere individuelt. 

Er sentimentanalyse nøyaktig?

Siden mye av sentimentanalysen vi mennesker gjør, er subjektiv, er det urealistisk å forvente at et sentimentanalyseverktøy skal være nøyaktig 100 prosent av tiden. Datavitere blir stadig bedre til å utvikle mer nøyaktige sentimentklassifikatorer, men det gjenstår fortsatt en del arbeid.

Hva er de største utfordringene for en sentimentanalysemodell? Vi har allerede nevnt noen, og det er problemene som gjør sentimentanalyse vanskelig for mennesker. De vanligste problemene omfatter: 

• Sarkasme. Hvis du noen gang har tilbrakt tid i kommentarfeltet eller mottatt en tekstmelding og vært usikker på om avsenderen mente alvor, vet du at sarkasme er vanskelig å tolke i tekst. Tenk på følgende to situasjoner:

Toget er bare 30 minutter forsinket igjen i dag. Så godt å vite at det er pålitelig! 
Toget er bare 2 minutter forsinket igjen i dag. Så godt å vite at det er pålitelig!

Det er selvsagt ikke pålitelig når toget er 30 minutter forsinket, men sentimentanalyseprogramvare kan ha problemer med å oppdage det.

• Multipolaritet. Noen ganger kan én setning være positiv til én ting og negativ til en annen. For eksempel: «Pepsi er mye bedre enn Coke.» Denne setningen klarer å si noe positivt om Pepsi og negativt om Coke ved hjelp av bare seks ord. Et sentimentanalysesystem vil sannsynligvis ikke kunne vurdere dette systemet nøyaktig uten mer avansert programmering.

• Negasjoner. En negasjon oppstår når du snur betydningen av et ord eller en frase, for eksempel: «Jeg vil ikke si at maten var god.» Vi mennesker kan ha problemer med å finne betydningen av en frase eller setning som inneholder en negasjon, så det er ikke overraskende at sentimentanalyseverktøy også kan ha problemer.

Konklusjon 

Nå vet du alt om sentimentanalyse og hvordan den kan brukes til å analysere data for å måle kundenes oppfatning av merkevaren din. 

Sentimentanalyseverktøy vil gjøre mye av det tunge arbeidet for deg, men det er alltid lurt å la et menneske gå gjennom noen tilfeldige utvalg av arbeidet for å se etter ting som maskiner har problemer med å forstå. Sentimentanalyse er mest effektiv når teknologi og mennesker samarbeider tett.

Ser du etter mer innsikt i kundeopplevelsen? Abonner på The CX Lead-nyhetsbrevet.

Relatert lesning: De 10 beste kundestøtteprogrammene for små og mellomstore bedrifter samt større virksomheter