تحلیل احساسات : مفهوم، تحلیل و کاربرد

تحلیل احساسات چیست؟

تجزیه و تحلیل احساسات استخراج متنی از نوشته است که اطلاعات و نظرات شخصی افراد را در منابع اصلی شناسایی و از آن استخراج می کند . و به کسب و کارها برای درک احساسات اجتماعی برند، محصول یا خدمات خود در هنگام رصد مکالمات آنلاین کمک می کند. با این حال، تجزیه و تحلیل جریان رسانه های اجتماعی معمولا محدود به تحلیل پایه‌ای احساسات و معیارهای مبتنی بر شمارش نیست. این‌ها داده‌ها و اطلاعات خام بوده و قرار است مفاهیم ارزشمندی را کشف بکنیم.

با پیشرفت های اخیر در یادگیری عمیق (deep learning)، توانایی الگوریتم های تجزیه و تحلیل متن به طور قابل توجهی بهبود یافته است. استفاده خلاقانه از تکنیک های هوش مصنوعی پیشرفته می تواند یک ابزار موثر برای انجام تحقیقات جامع باشد. ما معتقدیم که دسته بندی مکالمات مشتری در مورد یک برند بر این اساس باید باشد:

  • جنبه های کلیدی محصول و خدمات برند که مشتریان آن را مورد توجه قرار می دهند.
  • مقصود اساسی و واکنش های کاربران در مورد این جنبه ها.

این مفاهیم اساسی زمانی که باهم ترکیب می شوند، تبدیل به یک ابزار بسیار مهم برای تجزیه و تحلیل میلیون ها مکالمات برندها با دقت سطح انسان می شود. در این مقاله، ما از Uber را مثال می زنیم و نشان می دهیم که این کار چگونه انجام می شود.

دسته بندی متن – بلوک های اولیه ساختمان

تحلیل احساسات

تحلیل احساسات رایج ترین ابزار طبقه بندی متن است که یک پیام ورودی را تجزیه و تحلیل کرده و می‌گوید احساسات پایه مثبت است، خنثی و یا منفی.

تجزیه و تحلیل مقصود

تجزیه و تحلیل مقصود باعث بهبود تحلیل احساسات کاربر می شود زیرا قصد کاربر در پشت پیام را شناسایی کرده و آنالیز می کند که مقصود کاربر با کدام یک از موارد زیر مرتبط است:‌ نظر، خبر، بازاریابی، شکایت، پیشنهاد، قدردانی و یا پرسش.

جستجوی معنایی متن (CSS)

اکنون همه چیز جالب‌تر می شود. برای درک تعاملی همه چیز، باید بدانیم که کاربر چه جنبه ای از برند را مورد بحث قرار داده است. بعنوان مثال: آمازون می خواهد پیام ها را جدا و دسته‌بندی کند، پیام های مرتبط با: تاخیر در تحویل، مسائل مربوط به صدور صورت حساب، پرسشهای مربوط به ارتقاء، بررسی محصول و غیره. از طرفی، استارباکس می خواهد پیام ها را بر این اساس طبقه بندی کند: رفتار کارکنان، طعم قهوه جدید، بازخورد بهداشت، سفارش‌های آنلاین، نام فروشگاه و محل سکونت و غیره است. اما چگونه؟

ما یک الگوریتم جستجوی هوشمند را به نام جستجوی معنایی متن (CSS)، معرفی می‌کنیم. راه کار CSS این است که هزاران پیام و مفهوم (مانند قیمت) را به عنوان ورودی می گیرد و تمام پیامهایی را که با مفهوم داده شده نزدیک است، فیلتر می کند.

یک روش متعارف برای فیلتر کردن تمام پیامهای مرتبط با قیمت این است که جستجوی کلیدواژه قیمت را با سایر کلمات مرتبط مانند (قیمت گذاری، هزینه، دلار، پرداخت) انجام دهید. با این حال این روش بسیار موثر نیست زیرا تقریبا غیرممکن است که همه کلمات کلیدی مرتبط  و انواع آنها که مفهوم خاصی را بیان می کنند، را در نظر داشت. از سوی دیگر، CSS فقط نام مفهوم قیمت را به عنوان ورودی می‌گیرد و همه زمینه های مشابه را فیلتر می کند حتی در مواردی که واژگان واضح کلیدی مفهوم ذکر نشده‌اند.

برای افراد کنجکاو، ما می خواهیم یک نگاه اجمالی به این که چگونه این کار انجام می شود، بیاندازیم. یک تکنیک هوش مصنوعی برای تبدیل هر کلمه به یک نقطه خاص در فضای ابررسانایی استفاده می‌شود و فاصله بین این نقاط برای شناسایی پیام هایی است که مفهوم آن شبیه مفهومی است که ما در حال بررسی آن هستیم.

در هر حال، الگوریتم ها پیام ها را به صورت مفهومی مرتبط با متن مثلا در مورد Uber ، مفهوم قیمت دسته‌بندی می کنند، گرچه کلمه قیمت در متن پیام ها ذکر نشده باشد.

Uber: یک تجزیه و تحلیل عمیق

Uber، ارزشمندترین استارت‌آپ در جهان، بعنوان یک پیشگام در اقتصاد اشتراکی عمل می‌کند. در حال حاضر در بیش از ۵۰۰ شهر در سراسر جهان استفاده می‌شود. به یک پایگاه کاربری عظیمی خدمت رسانده و با بسیاری از نظرات، پیشنهادات و شکایات کاربران مواجه می‌شود. اغلب، رسانه های اجتماعی محیطی است که افراد ترجیح می دهند از این طریق نظرات خود را اعلام کنند. مقدار عظیمی از اطلاعات ورودی، آنالیز و طبقه بندی شده و بینشی چالشی را ایجاد می کند. ما مکالمات آنلاین درباره رسانه های دیجیتالی را درمورد چند موضوع محصول را تحلیل کردیم: لغو، پرداخت، قیمت، ایمنی و خدمات. برای اینکه منابع داده‌های بیشتری پوشش داده شود، داده ها را از آخرین نظرات در صفحه فیس بوک رسمی اوبر، توییت های ذکر شده اوبر و آخرین اخبار حول کلمه اوبر گرفته شده است. در اینجا توزیع داده در همه کانالها وجود دارد:

  • فیس بوک: ۳۴،۱۷۳ کامنت
  • توییتر: ۲۱،۶۰۳ توییت
  • اخبار: ۴،۲۴۵ مقاله

تحلیل احساسات مکالمات کاربر می تواند به شما ایده کلی درمورد یک برند خاص بدهد. اما، برای تحلیل عمیق تر، باید داده ها را به کمک جستجوی مفهومی متنی، طبقه بندی کنیم. ما الگوریتم جستجوی مفهومی متنی را در همان مجموعه داده‌های فوق‌الذکر اجرا کردیم و دسته های لغو، پرداخت، قیمت، ایمنی و خدمات را در نظر گرفتیم. طبق بررسی‌ها اکثر نظرات مربوط به همه گروه ها دارای احساسات منفی هستند. تعداد نظرات مثبت مربوط به دسته قیمت، بیشتر از نظرات منفی آن است. برای تحلیل عمیقتر، هدف و مقصود از این نظرات را تحلیل کردیم. فیس بوک یک پلتفرم اجتماعی است، نظرات محتوای تصادفی بوده، سهام خبر، بازاریابی و محتوای تبلیغاتی و محتوای هرزنامه (غیر ضروری) غیرمرتبط هستند.

تحلیل مقصود نظرات فیسبوک

ما برای تحلیل دقیق‌تر، همه موارد غیرمرتبط  را حذف کرده و نتیجه را بازنویسی کردیم.تغییر قابل توجهی در احساسات مرتبط با هر دسته وجود دارد. به ویژه در نظرات مربوط به دسته قیمت، که در آن تعداد نظرات مثبت از ۴۶٪ به ۲۹٪ کاهش یافته است. از این طریق ما نگاهی اجمالی می اندازیم به این که چگونه CSS می تواند دید جامعی از رسانه های دیجیتال ایجاد کند. بنابراین یک برند می‌تواند چنین توییت‌ها را تحلیل‌کرده و طبق نظرات، به نقاط مثبت خود قوت بخشیده و یا از نظرات منفی بازخورد دریافت‌کند.

تجزیه و تحلیل احساسات تویتتر

تحلیل مشابهی برای توییت ها نیز انجام شد. در تحلیل اولیه، توییت های مربوط به پرداخت و ایمنی احساسات مخلوطی داشتند. برای درک نظرات، پیشنهادات و شکایات واقعی کاربران، ما مجددا باید توییت های مربوطه را فیلتر کنیم (هرزنامه، نامه‌های ناخواسته، بازاریابی، اخبار و تصادفی).

طبق بررسی‌ها تعداد قابل توجهی از توییت های مربوط به پرداخت کاهش پیدا کرده است. همچنین، تعداد توییت های مثبت برای دسته ایمنی (و کلمات مرتبط) بطور قابل ملاحظه ای کم شده است. علاوه بر این، لغو، پرداخت و سرویس (و کلمات مرتبط) پربحث‌ترین موضوعات در نظرات توییتر هستند. به نظر می رسد که اکثر مردم در مورد رانندگانی که سرویس را لغو کرده و هزینه‌ای که باید به آنها پرداخت کنند، صحبت می کنند.

برندی مانند اوبر می تواند به این‌ توییت‌ها تکیه کرده و برای موضوعات مهم تر اقدام به عمل کند. به عنوان مثال، توییت های مربوط به سرویس، کمترین درصد تویت های مثبت و بالاترین درصد توییت‌های منفی را دارند. بنابراین اوبر می تواند با در نظر گرفتن توییت ها  تحلیل کرده و به کیفیت خدمات خود بهبود یابد.

براساس بررسی‌های انجام شده به طور قابل ملاحظه ای، ایمنی پربحث‌ترین موضوع در اخبار بوده است. جالب توجه است، احساسات خبری در کلیه گروه ها هم به طور کلی و هم به صورت جداگانه مثبت است. ما اخبار را بر اساس میزان محبوبیتشان طبقه بندی کردیم. میزان محبوبیت به تعداد اشتراک‌گذاری (share) مقاله در کانال‌های مختلف رسانه‌های اجتماعی نسبت داده می شود. در اینجا لیستی از مقالات مهم خبری است:

  • ترک مدیر اجرایی اوبر پس از انتقاد از او در شورای مشاوره ترامپ
  • #DeleteUber : این کمپین به علت عصبانیت کاربران از ممنوعیت استفاده مسلمانان از اوبر بود، که توسط آقای ترامپ تصمیم گرفته شده بود.
  • کارکنان اوبر از فرهنگ سازمانی خودشان متنفرند.
  • هر وقت ما از سرویس اوبر استفاده می‌کنیم، سم اجتماعی آن را گسترش می دهیم.
  • مشتریان عصبانی برنامه اوبر را پس از اینکه رانندگان برای اعتراض و اعتصاب به فرودگاه کندی در نیویورک رفتند، از روی گوشی‌های همراه خود حذف می‌کنند.

نتیجه‌گیری

نتیجه‌گیری‌های معناداری که می توان از داده‌های رسانه‌های اجتماعی داشت، با پیشرفت تکنولوژی بهبود یافته است. اکنون زمان آن است که سازمان شما از احساسات فراتر رفته و معیارهای مبتنی بر شمارش را حساب کند. شرکت ها به تازگی به قدرت داده های خود دست یافته اند، اما برای دریافت عمیق ترین اطلاعات، شما باید توانایی AI، یادگیری عمیق و طبقه بندی های هوشمند مانند تحلیل مفهومی متنی و تحلیل احساسات را داشته باشید. در کاوان، می توانید با ما تماس بگیرید تا از سرویس ما برای تحلیل احساسات و دیگر خدمات استفاده کنید. یا داشبورد سفارشی برای نتیجه‌گیری‌های کلی و  جزئی در رسانه‌های اجتماعی دریافت کنید. برای درخواست دمو اینجا کلیک کنید.

 

منبع: https://towardsdatascience.com/sentiment-analysis-concept-analysis-and-applications-6c94d6f58c17

دیدگاهی بنویسید

نوشته های مرتبط

جستجو کنید