Анализа сентимента текста

Анализа сентимента текста (такође позната као истраживање мишљења или емоциона VI) је употреба обраде природног језика, анализе текста, рачунарске лингвистике и биометрије за систематско идентификовање, издвајање, квантификацију и проучавање афективних стања и субјективних информација. Анализа сентимента се широко примењује на материјале корисника као што су рецензије и одговори на анкете, онлајн и друштвени медији, и материјали здравствене заштите за апликације које се крећу од маркетинга преко корисничке службе до клиничке медицине. Са порастом заступљености дубоких језичких модела, као што је РоБЕРТа, могу се анализирати и тежи домени података, на пример, текстови вести у којима аутори обично мање експлицитно изражавају своје мишљење/осећај.

Типови

Основни задатак у анализи сентимента је класификовање поларитета датог текста на нивоу документа, реченице или обележја/аспеката – било да је изражено мишљење у документу, реченици или особини/аспекту позитивно, негативно или неутрално. Напредна класификација осећања „изван поларитета“ гледа, на пример, на емоционална стања као што су уживање, бес, гађење, туга, страх и изненађење.

Претходници сентименталне анализе укључују Генерал Инqуирер, који је дао наговештаје за квантификацију образаца у тексту и, посебно, психолошка истраживања која су испитивала психолошко стање особе на основу анализе њеног вербалног понашања.

Након тога, метод описан у патенту Волканија и Фогела, је посебно посматрао осећај и идентификовао појединачне речи и фразе у тексту у односу на различите емоционалне скале. Актуелни систем заснован на њиховом раду, назван ЕффецтЦхецк, представља синониме који се могу користити за повећање или смањење нивоа изазваних емоција на свакој скали.

Многи други покушаји који су уследили били су мање софистицирани, користећи пуки поларни поглед на осећања, од позитивних до негативних, као што је рад Тернија и Панга који су применили различите методе за откривање поларитета рецензија производа и рецензија филмова. Овај рад је на нивоу документа. Такође се може класификовати поларитет документа на вишесмерној скали, што су између осталих покушали Панг и Снајдер између осталих; Панг и Ли су проширили основни задатак класификације филмске критике као позитивне или негативне да предвиди оцене звездица на скали од 3 или 4 звездице, док је Снајдер извршио детаљну анализу рецензија ресторана, предвиђајући оцене за различите аспекте датог ресторана, као што су храна и атмосфера (на скала са пет звездица).

Први кораци ка спајању различитих приступа—учењу, лексичком, заснованом на знању, итд. — предузети су на Пролећном симпозијуму АААИ 2004. где су лингвисти, информатичари и други заинтересовани истраживачи прво ускладили интересе и предложили заједничке задатке и скупове података за референтне вредности за систематско рачунарско истраживање афекта, привлачности, субјективности и сентимента у тексту.

Иако се у већини статистичких метода класификације неутрална класа занемарује под претпоставком да неутрални текстови леже близу границе бинарног класификатора, неколико истраживача сугерише да се, као и у сваком проблему поларитета, морају идентификовати три категорије. Штавише, може се доказати да специфични класификатори као што су максимална ентропија и СВМ могу имати користи од увођења неутралне класе и побољшати укупну тачност класификације. У принципу постоје два начина за рад са неутралном класом. Или, алгоритам наставља тако што прво идентификује неутрални језик, филтрира га и затим процењује остатак у смислу позитивних и негативних осећања, или гради тросмерну класификацију у једном кораку. Овај други приступ често укључује процену дистрибуције вероватноће по свим категоријама (нпр. наивни Бајесови класификатори како их примењује НЛТК). Да ли и како користити неутралну класу зависи од природе података: ако су подаци јасно групирани у неутралан, негативан и позитиван језик, има смисла филтрирати неутрални језик и фокусирати се на поларитет између позитивних и негативних осећања. Ако су, насупрот томе, подаци углавном неутрални са малим одступањима ка позитивном и негативном утицају, ова стратегија би отежала јасну разлику између два пола.

Другачији метод за одређивање сентимента је употреба система скалирања где се речима које се обично повезују са негативним, неутралним или позитивним осећањима даје придружени број на скали од −10 до +10 (од најнегативнијих до најпозитивнијих) или једноставно од 0 до позитивне горње границе као што је +4. Ово омогућава прилагођавање осећања датог појма у односу на окружење (обично на нивоу реченице). Када се део неструктурираног текста анализира коришћењем обраде природног језика, сваком концепту у наведеном окружењу се додељује оцена на основу начина на који се речи осећаја односе на концепт и са њим повезан резултат. Ово омогућава кретање ка софистициранијем разумевању осећања, јер је сада могуће прилагодити вредност сентимента концепта у односу на модификације које га могу окруживати. Речи, на пример, које интензивирају, опуштају или негирају осећање изражено концептом могу утицати на његов резултат. Алтернативно, текстовима се може дати позитивна и негативна оцена јачине сентимента ако је циљ да се одреди сентимент у тексту, а не укупни поларитет и јачина текста.

Постоје разне друге врсте анализе сентимента, као што су анализа заснована на аспектима, анализа оцењивањем (позитивно, негативно, неутрално), вишејезична анализа и детекција емоција.