Слово «социальный» приобрело совершенно новое значение в сегодняшнюю цифровую эпоху. Простое получение удовольствия больше не единственный «социальный» критерий. Социальные сети сейчас - это возможность заглянуть в вашу личную и профессиональную жизнь своим знакомым. Facebook, Twitter, Instagram и другие ведущие платформы связали людей способами, которые невозможно было представить 20 лет назад. Более того, эти платформы стали для предприятий отличным ресурсом для привлечения новых клиентов, понимания восприятия своего бренда, получения отзывов и улучшения качества обслуживания клиентов. Сегодня аналитика стала движущей силой для бизнеса. , позволяя им использовать возможности данных для увеличения пользовательской базы и доходов.

Что такое анализ настроений?

Одна из таких возможностей, анализ настроений - концепция, популярная среди энтузиастов машинного обучения, - используется компаниями для понимания настроений или эмоций клиентов по поводу продуктов компании. Такой анализ сканирует платформы социальных сетей для сбора данных о настроениях пользователей в отношении конкретных продуктов компании. Он анализирует комментарий каждого пользователя, классифицируя его как положительный, отрицательный или нейтральный, и предоставляет общий результат. С 2016 года рынок демонстрирует экспоненциальный рост.

Там, где традиционный подход рушится !!

Я считаю анализ настроений мощной техникой, которую еще предстоит использовать в полной мере. Текущий текстовый анализ имеет много недостатков. «Ага, лучше тебя никто не делает!». Программа классифицирует это как положительное мнение. Но что, если это был Сарказм? Вот еще один. «… Amazon всегда так делает». Что мне делать с этим комментарием? Давайте сделаем шаг назад по тексту и увидим предложение перед этим. «Amazon отлично доставляет товары вовремя. Amazon всегда так делает », - делает последнее предложение положительным. Однако «Amazon только что доставил поврежденный товар. Amazon всегда так делает », - делает текст негативным. Контекст очень важен для понимания настроения. В текстовом анализе отсутствует контекст беседы!

Еще одна проблема - мы анализировали только текстовые данные. Есть другие каналы для изучения. «Полный обзор iPhone 11 pro» - пользователь ищет на YouTube. Все, от подростка до взрослого, ищут в Интернете обзор продукта, прежде чем купить его. «Это мой обзорный видеоролик о новых наушниках Bose с шумоподавлением» - страстный пользователь технологий в Twitter. Преодолев молва, молва о таких видео стала прямым фактором, влияющим на решения людей о покупке. Эти видео - отличный ресурс для компаний, чтобы узнать мнения пользователей и отзывы о своих продуктах.

Добро пожаловать в новую эру анализа тональности контекста - мой подход

В этой статье я предлагаю новый подход к анализу настроений - контекстный иерархический анализ видео, загруженных пользователями продукта. Я решил анализировать не только текст, но также изображения и аудио, извлекая важные атрибуты - выражение лица, тон речи и интенсивность голоса. Чтобы уловить контекст, мы проанализируем мельчайшую единицу речи, разделенную паузами - «высказывание». Мы хотим, чтобы каждое высказывание искало информацию из предыдущего и следующего высказывания. Двунаправленная долгосрочная краткосрочная память (LSTM) удовлетворяет этим требованиям. Дополнительное преимущество LSTM - он решил проблему исчезающего / увеличивающегося градиента, с которой, как я опасался, сеть может столкнуться при изучении долгосрочных зависимостей. Мы хотим анализировать не только видеокадры, но и изменения в последовательных кадрах. 3D-сверточная нейронная сеть была создана специально для работы!

Решая одну проблему за раз, я разработал следующий алгоритм:

1. Извлеките функции для текста, аудио и видео для каждого высказывания.

  • Текстовые функции из расшифровок произнесенных слов с использованием сверточной нейронной сети
  • Аудио функции с помощью инструмента с открытым исходным кодом, такого как OpenSMile
  • Извлечение визуальных признаков с использованием 3D-CNN

2. Для каждого канала (текст, аудио и видео)

  • Отправьте извлеченные функции через нейронную сеть с двунаправленной долгосрочной краткосрочной памятью (bi-LSTM), чтобы получить функции, включающие контекст

3. Добавьте контекстные функции текстовых, аудио и видео каналов и отправьте их в сеть LSTM.

4. Отправьте вывод на более плотный слой, а затем на слой SoftMax для классификации, используя категориальную кросс-энтропию в выводе SoftMax высказывания для обучения.

5. После этапа обучения передайте набор тестов по сети, чтобы получить возможности, учитывающие контекст.

6. Передайте эти функции через SVM для классификации.

Вышеупомянутый подход включает в себя недостатки традиционного анализа тональности текста и обеспечивает лучшую точность ~ 80% для данных MOSI, которые содержат видеообзоры, аннотированные полярностью тональности.

Создание ценности для бизнеса

A) Чтобы принять более обоснованное решение относительно вашего бренда и продуктов

Проницательный анализ настроений избавляет от догадок, связанных с оценкой производительности ваших продуктов. Основываясь на полученных данных, вы можете приспособиться к текущим потребностям рынка и повысить уровень удовлетворенности клиентов. С такими данными становится проще точно рассчитать удержание клиентов. Вы также можете использовать анализ настроений, чтобы оценить концепцию нового продукта, прежде чем воплотить ее в жизнь, протестировав концепцию и проанализировав настроения клиентов.

Б) Чтобы получить конкурентное преимущество на рынке

Запустите инструмент, чтобы узнать мнение о продуктах вашего конкурента. Такие знания будут служить стимулом для того, чтобы идти в ногу с рынком и повышать производительность ваших продуктов. Это также может помочь вам понять потребительские тенденции на раннем этапе и использовать их, чтобы получить преимущество на рынке.

В) Для повышения качества обслуживания клиентов

Многие потребители делятся своим опытом с интернет-сообществом через онлайн-отзывы. Их тон и темперамент можно определить и обозначить как положительные, отрицательные или нейтральные. Таким образом, вы можете знать, что правильно реализовано в ваших продуктах, а что требует дальнейшего улучшения.