В этом руководстве мы углубимся в анализ настроений. Анализ настроений — сложный предмет в машинном обучении. Люди выражают свои эмоции на языке, который часто скрыт сарказмом, двусмысленностью и игрой слов, и все это может ввести в заблуждение как людей, так и компьютеры. Вот что ИИ пришел нам на помощь. Существует два основных подхода к анализу настроений.
Во-первых, это лексика. В этом подходе у нас есть набор слов, на основе которого мы классифицируем эмоции.
Далее следует подход машинного обучения, при сравнении обоих подходов лексика лучше, но кажется, что это не сарказм, но глубокие нейронные сети доказывают свою ценность в этом, потому что они понимают тонкости и создают абстрактное представление того, что они узнали. Эти обобщения называются векторными и мы используем их для классификации данных.
давайте узнаем больше об этих классификаторах в тензорном потоке. Ниже приведен пример обзора фильма из старого конкурса kaggle Мешок слов встречается с мешками попкорна («https://www.kaggle.com/c/word2vec-nlp- руководство"). Этот набор данных содержит 25 000 помеченных обзоров обучения, 50 000 немаркированных обзоров обучения и 25 000 обзоров тестирования. Давайте начнем!
если вы хотите увидеть полный код, проверьте его на github https://github.com/Currie32/Movie-Reviews-Sentiment, а также посмотрите это видео для понимания https://youtu.be/AJVP96tAWxw.
кроме того, существует множество программных инструментов и платформ для анализа эмоций и текста для анализа настроений, ниже приведены некоторые
- Lexalytics: он использует большой объем текста из Интернета через поисковую систему в Интернете. Корпус сравнивается, чтобы оценить близость известных слов к целевой фразе. Lexalytics предоставляет множество типов решений для анализа настроений. Он также предлагает API для интеграции в собственные продукты клиента.
- API-интерфейсы Google Cloud Prediction: предоставляет возможности машинного обучения и сопоставления с образцом. Он учится на данных и прогнозирует новое значение. Пошаговое руководство приведено по веб-ссылке в формате .
- Google Cloud Machine Learning: предоставляет платформу для простого создания масштабируемых моделей машинного обучения любого размера.
- Cloud Natural Language API: анализирует структуру и значение текста с помощью моделей машинного обучения.
- Brandwatch: онлайн-система анализа настроений, основанная на машинном обучении.
Рекомендуемое чтение:
- http://stanfordnlp.github.io/CoreNLP/
- П. Кац, М. Синглтон, Р. Вицентовски, SWAT-MP: системы semEval-2007 для задачи 5 и задачи 14. Материалы 4-го международного семинара по семантическим оценкам, ACL (2007), стр. 308–313.
- http://www.wildml.com/2015/09/recurrent-neural-networks-tutorial-part-1-introduction-to-rnns/
- Хонг, Джеймс и Майкл Фанг. «Анализ тональности с помощью глубоко изученных распределенных представлений текстов переменной длины.»
- Пурансари, Хади и Саман Гили. «Глубокое обучение для анализа настроений рецензий на фильмы.» (2014).
- Глорот, Ксавьер, Антуан Бордес и Йошуа Бенжио. «Адаптация предметной области для крупномасштабной классификации настроений: подход к глубокому обучению.» Материалы 28-й Международной конференции по машинному обучению (ICML-11), стр. 513–520. 2011.
- https://www.crowdflower.com/solutions/how-sentiment-analysis-works
- https://www.lexalytics.com/technology/sentiment
- https://www.lexalytics.com/content/whitepapers/Lexalytics-WP-Sentiment-Extraction.pdf
- https://cloud.google.com/prediction/docs/sentiment_analysis
- https://cloud.google.com/ml/
- https://cloud.google.com/natural-language/
- https://www.brandwatch.com/2011/04/how-does-sentiment-analysis-work/
- http://blog.algorithmia.com/benchmarking-sentiment-analysis-algorithms/
- http://blog.algorithmia.com/cloud-hosted-deep-learning-models/
- http://www.kdnuggets.com/2015/12/deep-learning-tools.html
- Буквально возбуждает — 15 примеров эмоционального маркетинга
