什么是情绪分析？
情绪分析是分析数字文本的过程，以确定消息是正面、负面还是中性的情感基调。如今，公司拥有大量文本数据，如电子邮件、客户支持聊天记录、社交媒体评论和审查。情绪分析工具可以扫描文本，自动确定作者对某个主题的态度。公司利用情绪分析的洞察可以改善客户服务并提高品牌声誉。
为什么情绪分析非常重要？
情绪分析，也称为意见挖掘，是一项重要的商业智能工具，可帮助公司改善其产品和服务。以下是情绪分析的一些优势。
提供客观见解
通过使用基于人工智能 (AI) 的情绪分析工具，企业可以避免人工审阅者存在的个人偏见。因此，公司在分析客户意见时可以获得一致和客观的结果。
例如，考虑以下句子：
我对处理器的速度感到惊讶，但对其迅速升温感到失望。
营销人员可能会忽略评论中不满的部分，并对处理器的性能持积极看法。但是，准确的情感分析工具可以对文本进行排序和分类，从而客观地收集情绪。
打造更好的产品和服务
情绪分析系统可帮助公司根据真实和具体的客户反馈改进其产品和服务。AI 技术可识别与客户负面情绪关联的真实世界的对象或情景（称为实体）。从以上例子可以看出，产品工程师可专注于改进处理器的热量管理功能，因为文本分析软件将失望（负面）与处理器（实体）和升温（实体）关联。
大规模分析
企业持续从海量非结构化数据（例如电子邮件、聊天机器人转录、调查、客户关系管理记录和产品反馈）中挖掘信息。基于云的情绪分析工具使企业能够以可承受的成本扩展在文本数据中发现客户情绪的流程。
实时结果
在当今瞬息万变的环境中，企业必须快速响应潜在的危机或市场趋势。营销人员依靠情绪分析软件实时了解客户对公司品牌、产品和服务的感受，并根据他们的发现立即采取行动。他们可以将软件配置为在检测到特定关键字的负面情绪时发送警报。
情绪分析使用案例有哪些？
企业使用情绪分析可以获取情报，并在不同领域制定可行的计划。
改善客户服务
客户支持团队可以使用情绪分析工具，根据对话的情绪对响应进行个性化处理。具有情绪分析功能的基于人工智能 (AI) 的聊天机器人会发现紧急事件，并将其上报给支持人员。
品牌监控
组织不断监控社交媒体、论坛、博客、新闻文章和其他数字空间中对其品牌的提及和聊天。情绪分析技术使公共关系团队能够了解正在进行的相关情况。团队可以评估潜在情绪以解决投诉或充分利用正面趋势。
市场研究
情绪分析系统通过了解有效和无效产品，帮助企业改进产品。营销人员可以分析在线评论网站、调查回复和社交媒体帖子上的评论，以获得对特定产品功能的深入了解。他们可以将结果传达给产品工程师进行相应创新。
跟踪活动效果
营销人员可以使用情绪分析工具来确保其广告活动产生预期反响。他们可以跟踪社交媒体平台上的对话，确保整体情绪积极向上。如果网络情绪低于预期，营销人员可以根据实时数据分析调整营销活动。
情绪分析如何工作？
情感分析是自然语言处理 (NLP) 技术的应用，可以训练计算机软件以类似于人类的方式理解文本。这种分析在提供最终结果之前通常会经过几个阶段。
预处理
在预处理阶段，情绪分析会识别关键词以突出文本的核心信息。
- 单词化可以将一个句子分成几个元素或单词。
- 词根化可以将单词转换为词根形式。例如，am 的词根形式是 be。
- 删除虚词可以过滤掉不会给句子增加意义的单词。例如，with、for、at 和 of 都是虚词。
关键词分析
NLP 技术可以进一步分析提取的关键词并赋予其一个情绪得分。情绪得分是一种衡量尺度，可以指示情绪分析系统中的情感元素。情绪得分为分析目的提供了文本中表达的情感的相对感知。例如，研究人员在分析客户评论时可以使用 10 表示满意度，0 表示失望。
情绪分析的方法有哪些？
情绪分析软件主要使用三种方法。
基于规则
基于规则的方法基于预定词典识别、分类和评分特定关键字。词典是代表作者意图、情感和情绪的词汇汇编。营销人员可以给正面词典和负面词典分配情绪得分，以反映不同表达方式的情感权重。为了确定一个句子是正面、负面还是中性，软件会扫描词典中列出的单词，并汇总情绪得分。最终得分将与情绪边界进行比较，以确定整体情绪影响。
基于规则的分析示例
考虑一个系统，在正面词典中有快乐、负担得起和快速等词，而在负面词典中有差、昂贵和困难等词。营销人员确定正面单词得分从 5 到 10，负面单词得分从 -1 到 -10。系统还设置了特殊规则，将双重否定（如不错）识别为正面情绪。营销人员认为，总体情绪得分高于 3 为正面，而 -3 到 3 则标记为混合情绪。
优点和缺点
基于规则的情绪分析系统很容易建立，但很难扩展。例如，当您在文本输入中发现新的用于传达意图的关键字时，您需要不断扩展词典。此外，在处理受不同文化影响的句子时，这种方法可能不准确。
ML
这种方法使用机器学习（ML）技术和情绪分类算法（如神经网络和深度学习），教导计算机软件从文本中识别情感。该过程涉及创建情绪分析模型，并对已知数据反复训练，以便能够高精度地猜测未知数据中的情绪。
训练
在训练过程中，数据科学家会使用包含大量示例的情绪分析数据集。ML 软件会使用数据集作为输入并训练自己以达到预定结论。通过使用大量不同的示例进行训练，该软件可以区分并确定不同的单词排列如何影响最终情绪得分。
优点和缺点
ML 情绪分析的优点在于能准确地处理大量文本信息。只要软件经过足够的示例训练，ML 情绪分析就可以准确预测消息的情感基调。然而，经过训练的 ML 模型只能用于特定业务领域。这意味着，在没有重新训练的情况下，经过营销数据训练的情绪分析软件不能用于社交媒体监控。
混合
混合情绪分析的工作原理结合了 ML 和基于规则的系统。混合情绪分析使用这两种方法各自的特性来优化在文本中推导上下文意图时的速度和准确性。然而，将这两个不同的系统结合起来需要时间和技术努力。
有哪些不同类型的情绪分析？
企业使用不同类型的情绪分析来了解客户在与产品或服务互动时的感受。
细粒度得分
细粒度情绪分析是指将文本意图分类为多个情感层次。通常，该方法涉及在 0 到 100 的范围内对用户情绪进行评级，每个等分分别表示非常正面、正面、中性、负面和非常负面。电子商务商店使用 5 星评级系统作为衡量购买体验的细粒度评分方法。
基于方面
基于方面的分析侧重于产品或服务的特定方面。例如，笔记本电脑制造商会调查客户对声卡、显卡、键盘和触摸板的体验。他们会使用情绪分析工具将客户意图与硬件相关关键字联系起来。
基于意图
基于意图的分析有助于在进行市场研究时了解客户情绪。营销人员使用意见挖掘法来了解特定客户群在购买周期中所处的位置。他们在监控的对话中发现折扣、优惠和评论等词后，会针对有兴趣购买的客户开展有针对性的活动。
情感检测
情感检测涉及分析一个人在编写文字时的心理状态。情感检测是情绪分析中一门更复杂的学科，比单纯的分类更深入。在这种方法中，情绪分析模型会试图通过人们对词语的选择来解释各种情绪，如喜悦、愤怒、悲伤和遗憾。
情绪分析面临哪些挑战？
尽管自然语言处理 (NLP) 技术已经取得了进步，但对机器来说，理解人类语言仍是一大挑战。机器可能会误解人类交流的细微差别，如下文所述。
讽刺
计算机很难分析包含讽刺的句子中的情绪。考虑以下句子：是的，很好。我的订单花了三个星期时间才送达。除非计算机在分析句子时完全理解了这个场景，否则会根据很好一词将其标记为正面体验。
否定
否定是指使用否定词来表达句子中的反义。例如，我不会说订阅费很高昂。 情绪分析算法可能难以正确解释这样的句子，特别是如果否定发生在两个句子之间，例如，我以为订阅费很便宜。但实际上不是。
多极化
当一个句子包含多个情绪时，就会出现多极化。例如，一篇产品评论写道：我对坚固的外形很满意，但对颜色不满意。 软件很难解释潜在的情绪。您需要使用基于方面的情绪分析来提取每个实体及其对应的情感。
什么是语义分析？
语义分析是一个计算机科学术语，指理解文本信息中单词的含义。语义分析使用机器学习 (ML) 和自然语言处理 (NLP) 来理解句子中单词和语法正确性之间的关系。
情绪分析与语义分析的对比
情绪分析解决方案通过理解潜在情感对文本进行分类。它的工作原理是使用特定数据集训练 ML 算法或设置基于规则的词典。同时，语义分析可以理解和处理更广泛和多样的信息。这两种语言技术可以相互集成，以帮助企业更好地理解客户。
AWS 如何帮助进行情绪分析？
Amazon Comprehend 是一种自然语言处理（NLP）解决方案，可以帮助企业从文本文档中提取和识别有意义的见解。该解决方案使用机器学习 (ML) 技术通过自动文本提取来执行情绪分析。公司使用特定于行业的文档训练 Amazon Comprehend，以生成高度准确的结果。
- Amazon Comprehend Sentiment Analysis API 会告诉开发人员一段文本的情绪是正面的、负面的、中性的还是混合的。
- Amazon Comprehend Targeted Sentiment 允许企业将情绪分析缩小到产品或服务的特定部分。
- Amazon Comprehend 支持多种语言，包括德语、英语、西班牙语、意大利语、葡萄牙语和法语。
立即创建 AWS 账户，开始使用情绪分析。
