Czy analiza sentymentu jest uczeniem maszynowym?

Wiele osób zastanawia się: „Czy analiza sentymentu to uczenie maszynowe?” Krótka odpowiedź brzmi: tak. Współczesna analiza sentymentu opiera się na modelach uczenia maszynowego, które analizują i usprawniają sposób wykrywania znaczenia emocjonalnego w tekście.

W tym artykule wyjaśnię, czym jest analiza sentymentu, co oznacza uczenie maszynowe oraz jak te dwa zagadnienia współdziałają w kontekście doświadczeń klienta.

Czym jest analiza sentymentu?

Analiza sentymentu, znana również jako analiza opinii, to proces odczytywania zbioru tekstów i interpretowania, czy ich ton jest pozytywny, czy negatywny. Firmy często korzystają z narzędzi do analizy sentymentu, aby zrozumieć, co klienci sądzą o ich marce lub co ludzie mówią w internecie o konkurencji.  

W analizie sentymentu fragmentom tekstu — takim jak tweet lub opinia klienta — przypisuje się wynik negatywny, neutralny albo pozytywny na podstawie poszczególnych słów, które składają się na tekst.

Aby to zrobić, oprogramowanie do analizy sentymentu korzysta z leksykonu lub słownika w celu identyfikowania i oceniania każdego słowa. Słownik ten jest tworzony przez osoby, które ręcznie zebrały słowa i przypisały każdemu z nich wynik. 

Proces ten jest czasochłonny i rozbudowany, ponieważ każde słowo musi mieć własny wynik, a wyniki muszą być wzajemnie powiązane. Na przykład „najlepszy” jest lepszy niż „świetny”, a „świetny” jest lepszy niż „dobry”. 

Ten leksykon stanowi podstawę analizy sentymentu. 

Jak działa analiza sentymentu?

Istnieją trzy sposoby wdrażania analizy sentymentu klientów, a wybór konkretnego zależy głównie od ilości danych, które trzeba przeanalizować, oraz od oczekiwanego poziomu dokładności. 

Oparte na regułach

Analiza sentymentu oparta na regułach to metoda wyboru cech, która działa automatycznie i bazuje na regułach ustalonych przez ludzi. Reguły zazwyczaj obejmują wiele technik przetwarzania języka naturalnego (NLP) oraz klasyfikatorów naiwnych Bayesa. To podejście jest szybkie, ale niezwykle uproszczone i niezbyt dokładne.

Na przykład reguły mogą definiować słowa skrajnie negatywne (najgorszy, okropny, brzydki) i pozytywne (doskonały, najlepszy, piękny). Słowom tym przypisuje się wartość dodatnią lub ujemną. Jeśli słów pozytywnych jest więcej niż negatywnych, oprogramowanie wskazuje, że tekst ma pozytywny wydźwięk; jeśli słów negatywnych jest więcej, wskazuje na negatywny wydźwięk. Jeśli liczba słów pozytywnych i negatywnych jest taka sama, tekst uznaje się za neutralny.

Jak wspomniano, to podejście jest szybkie, ale niezbyt precyzyjne. Nie uwzględnia niczego poza prostymi regułami odnoszącymi się do słów, nie zwracając uwagi na to, gdzie słowa występują ani jak są łączone. Reguły można zmieniać w trakcie działania, ale wpłynie to również na wszystkie wcześniejsze wyniki. Systemy te wymagają wielu korekt i stałej konserwacji.

Automatyczne

Systemy automatyczne uznaje się za systemy uczenia maszynowego. Nie polegają one na regułach ustalonych przez programistów na potrzeby klasyfikacji sentymentu, ale muszą się uczyć. Podczas trenowania systemów automatycznych system uczy się kojarzyć określone słowa i kombinacje tekstu z konkretną etykietą. Tekst jest przekształcany w wektor cech. Maszyna łączy etykiety i wektory cech, aby wygenerować algorytm i utworzyć model do dalszego wykorzystania. 

Wektory cech reprezentują wszystkie cechy i właściwości obiektu — w tym przypadku słowa i frazy. W uczeniu maszynowym oraz sztucznej inteligencji w analizie sentymentu klientów mają zasadnicze znaczenie dla wzorców i algorytmów przetwarzających dane. Im więcej testów dostarcza się systemowi, tym więcej etykiet i wektorów cech tworzy, a tym samym tym więcej się uczy i dopracowuje swój algorytm oraz model analizy sentymentu. 

Proces ten może stać się dość złożony i prowadzić do głębokiego uczenia, w którym wykorzystywany jest zbiór algorytmów oraz sztuczne sieci neuronowe do analizy danych, co stanowi próbę naśladowania procesu myślowego ludzkiego mózgu.

Hybrydowe

Podejście hybrydowe łączy analizę sentymentu opartą na regułach z analizą automatyczną, najlepiej wykorzystując mocne strony obu metod i integrując je w jedną całość. Ta metoda jest zwykle najdokładniejsza.

Jak analiza sentymentu i uczenie maszynowe się łączą

Uczenie maszynowe jest ważną częścią analizy sentymentu, ale nie jest jedynym elementem, który ma znaczenie. 

Wykorzystując przetwarzanie języka naturalnego, programiści mogą dostarczać ogromne ilości tekstu i danych podczas tworzenia leksykonu sentymentu oraz trenowania programu uczenia maszynowego. Program będzie nadal oceniać kolejne słowa, udoskonalając swój algorytm i zdolność do przeprowadzania analizy sentymentu, a ostatecznie także przewidywania sentymentu. Te usprawnienia są wspierane przez algorytmy uczenia maszynowego.

Analiza sentymentu oparta na uczeniu maszynowym musi rozwiązać wiele kwestii, aby być możliwie dokładna, dlatego preferowany jest model głębokiego uczenia.

Dokładna analiza sentymentu wymaga dogłębnego zrozumienia części mowy. Programiści uczą tego uczenie maszynowe, oznaczając każde słowo jako rzeczownik, czasownik, przymiotnik itd.

W miarę jak program zdobywa więcej informacji o strukturze zdań oraz o tym, jak słowa są uporządkowane i umieszczane w zdaniach, rozwija swoje podstawowe rozumienie języka naturalnego, zwiększając dokładność klasyfikacji. 

Mimo to istnieje wiele przeszkód, które stanowią wyzwanie dla uczenia maszynowego wykorzystywanego w analizie sentymentu. 

Wyzwania związane z uczeniem maszynowym w analizie sentymentu

Analiza sentymentu wiąże się z wieloma wyzwaniami, niezależnie od używanego modelu.

My, ludzie, cały czas przeprowadzamy analizę sentymentu. Za każdym razem, gdy czytamy wiadomość od znajomego lub tweet od nieznajomej osoby, musimy ustalić, jaki jest prawdziwy sentyment. Czy ta osoba jest sarkastyczna? Zabawna? Ironiczna? 

Ludziom trudno jest przez cały czas w stu procentach poprawnie ustalić znaczenie tekstu. Skoro mamy z tym problem w naszym ojczystym języku, nic dziwnego, że uczenie maszynowe również ma pewne trudności z analizą sentymentu. 

Oto niektóre czynniki, które utrudniają uczeniu maszynowemu przeprowadzanie analizy sentymentu:

Subiektywność

Niektóre stwierdzenia są faktami i nie mają pozytywnego ani negatywnego wydźwięku, ale nie zawsze łatwo jest rozpoznać tę różnicę. Spójrz na przykład na dwa poniższe zdania:

Koszula jest niebieska. 

Koszula jest piękna.

W tym przykładzie oczywiste jest, które zdanie ma pozytywny wydźwięk — koszula jest piękna. Nie oznacza to jednak, że pierwsze zdanie jest negatywne. Pierwsze zdanie jest obiektywne. Stwierdza fakt — koszula jest niebieska. 

Trudność polega na tym, że czasami dwa orzeczenia nie są równoważne. Drugie zdanie, w którym mowa o tym, że koszula jest piękna, ma większe znaczenie z perspektywy sentymentu, ponieważ jest subiektywne. Druga wypowiedź wskazuje, co użytkownik sądzi o produkcie, a to dane, które można wykorzystać. 

Ton

Ton jest jedną z najtrudniejszych rzeczy do odczytania przez ludzi, więc wyobraź sobie, jak trudne może być to dla maszyny. Ustalenie, czy ktoś jest na przykład sarkastyczny, jest niezwykle trudne na podstawie samego tekstu, ponieważ ludzie zazwyczaj używają słów przeciwnych do tego, co naprawdę mają na myśli. Na przykład: 

Mój wspaniały samochód znowu się zepsuł. Wspaniale!

Mój samochód-gruchot znowu się zepsuł. 

Oba te zdania mają negatywny wydźwięk, ale pierwsze wykorzystuje sarkazm, używając słów takich jak „wspaniały” i „wspaniale”. Bez udziału człowieka, który przeanalizowałby tekst i dokonał ostatecznej oceny, systemowi analizy sentymentu trudno byłoby zrozumieć tę sytuację. 

Kontekst

W niektórych przypadkach nie da się określić sentymentu bez szerszego kontekstu. Rozważ następującą opinię: „Wybór w tym sklepie z artykułami plastycznymi jest świetny, jeśli studiujesz malarstwo”. Analizując tekst, zauważamy słowa o pozytywnym wyniku, takie jak „świetny”. 

Szerszy kontekst tej wypowiedzi sugeruje jednak coś innego: sklep z artykułami plastycznymi nie jest już tak dobry, jeśli interesujesz się ołówkiem, tuszem, rzeźbą lub innym rodzajem medium artystycznego. O nie. Uwzględniając kontekst, możesz dojść do wniosku, że ta recenzja wcale nie jest aż tak pozytywna!

Kiedy uczenie maszynowe wydobywa opinie w celu określenia sentymentu, nie zawsze dobrze uwzględnia kontekst.

Porównania

Porównania są złożone, ponieważ nie dotyczą przede wszystkim samych słów, lecz tego, jak słowa odnoszą się do siebie nawzajem. Oto przykład:

To najlepsze ciasto, jakie kiedykolwiek jadłem. 

Ich ciasto jest dobre jak na restaurację sieciową. 

Pierwsze zdanie jest pozytywne. Drugiego nie da się już tak łatwo ocenić. Najprawdopodobniej chcesz, aby Twój produkt był dobry w porównaniu ze wszystkimi rodzajami konkurencji. Drugi sentyment sugeruje, że w porównaniu z wyspecjalizowanymi cukiernikami, lokalnymi lokalami lub innymi miejscami Twoje ciasto jest produktem drugiej kategorii.

Rozwiązania do analizy sentymentu mogą nie wychwycić tutaj czynnika porównawczego. Zamiast tego odczytają słowo „dobre” i ocenią sentyment pozytywnie, mimo że wyraźnie kryje się za tym coś więcej. 

Emotikony

Każdy, kto spędza czas w internecie, wie, że emoji są wszędzie. Niektóre są proste, inne skomplikowane, ale wszystkie mogą sprawiać problemy uczeniu maszynowemu próbującemu określić analizę sentymentu. 

Emoji są ważną częścią komunikacji online. Emoji przedstawiające serce powinno być odczytywane jako pozytywny sentyment, podczas gdy emoji przedstawiające kupkę kału z pewnością uzyskałoby wynik negatywny. Nie stanowi to problemu, o ile korzystasz z bibliotek do analizy sentymentu, które przypisują wyniki popularnym emoji, podobnie jak mogą to robić w przypadku popularnych słów slangowych.

Slang

Język nieustannie ewoluuje, co obejmuje również slangowy leksykon każdego pokolenia, taki jak „smol”, „stan”, „woke” i „salty”. Podobnie jak w przypadku emoji, narzędzie do analizy sentymentu może mieć z tym trudności.

W końcu wydaje się, że co kilka miesięcy pojawia się nowe slangowe słowo inspirowane memami. Slang, który się utrzymuje i może pojawiać się w recenzjach oraz w mediach społecznościowych, można dodać do biblioteki sentymentu i przypisać mu wynik pozytywny, neutralny lub negatywny... tak jak każdemu innemu słowu! 

Nasz słownik językowy nieustannie ewoluuje. Pamiętam powszechne przewracanie oczami, gdy YOLO (You Only Live Once, dla niewtajemniczonych) trafiło w 2014 roku do internetowego słownika oksfordzkiego. Analizatory sentymentu mają jednak powody do nadziei: oznacza to, że słowniki uczenia maszynowego również mogą ewoluować. Najlepsze narzędzia do analizy sentymentu będą uwzględniać nowy slang za pomocą aktualizacji oprogramowania lub ręcznych danych wprowadzanych przez użytkowników. 

W połowie drogi: czym jest neutralny sentyment?

Jednym ze sposobów na stworzenie dobrej podstawy do trenowania uczenia maszynowego jest poświęcenie czasu na zastanowienie się, co dokładnie oznacza „neutralny”. Dużo mówiłem o pozytywnych i negatywnych przykładach dla analizatora sentymentu, ale te dwa rodzaje sentymentu zależą od jasno zdefiniowanego sentymentu neutralnego. Można śmiało powiedzieć, że neutralność jest jednym z najważniejszych elementów tego procesu.

Ale jak zdefiniować neutralność? Oto 3 sposoby na początek:

1. Uwzględniaj obiektywne testy. Pamiętaj o powyższym przykładzie: ta koszula jest niebieska. Samochód jest żółty. Drzewo ma liście. Wszystkie te stwierdzenia są obiektywne i oparte na faktach. Nie wyrażają żadnego pozytywnego ani negatywnego sentymentu. 

2. Odfiltruj wszystko, co nieistotne. Nieistotne informacje nie pomogą Ci określić, czy coś jest pozytywne, czy negatywne. Na przykład jeśli recenzja suszarki do ubrań zaczyna się od anegdoty, takiej jak: „Zszedłem do piwnicy i wrzuciłem mokre ubrania do suszarki, tylko po to, by odkryć, że była zepsuta”, informacja ta nie ma znaczenia dla samego sentymentu recenzji i można ją pominąć.

3. Ignoruj sugestie. Nie jest to sztywna reguła, ale przez większość czasu sugestie nie wpływają na sentyment. Jeśli recenzenci życzą sobie, aby produkt miał jakąś funkcję, niewiele mówi to o sentymencie klientów. Możesz początkowo uznać to za negatywne, i czasami tak właśnie jest. Na przykład: „Stek był okropny, szkoda, że go nie rozgotowali” ma wydźwięk negatywny. Jednak życzenia i oczekiwania mogą pojawiać się również w pozytywnych recenzjach: „Ciasto było pyszne, szkoda, że nie było go więcej” albo „Podoba mi się wszystko w tej koszuli, szkoda, że nie jest dostępna w 100 kolorach”. 

Jasno zdefiniowana neutralność jest fundamentem każdej analizy sentymentu. Każda analiza zaczyna się przecież od neutralności, a następnie przechyla się w stronę pozytywną lub negatywną w miarę oceniania tekstu. 

Podsumowanie 

Analiza sentymentu to rodzaj narzędzia uczenia maszynowego. Uczenie maszynowe współpracuje z przetwarzaniem języka naturalnego, tworząc podstawowe elementy procesu analizy sentymentu. 

Uczenie maszynowe to po prostu sposób, w jaki komputery się uczą, i nie zawsze musi być powiązane z analizą sentymentu. Uczenie maszynowe wykorzystuje się również w chatbotach obsługi klienta, prognozowaniu biznesowym, silnikach rekomendacji produktów, dynamicznym ustalaniu cen produktów i wielu innych obszarach. 

Zapisz się do newslettera The CX Lead, aby otrzymywać więcej eksperckich informacji na temat obsługi klienta i doświadczeń użytkowników. 

Powiązany artykuł: 10 najlepszych programów do obsługi klienta dla małych i średnich firm oraz przedsiębiorstw