Благодаря недавним достижениям в области глубокого обучения способность алгоритмов анализировать текст значительно улучшилась. Теперь анализ цифровых и социальных сетей не ограничивается только базовым анализом настроений и метриками, основанными на подсчете. Творческое использование передовых методов искусственного интеллекта может быть эффективным инструментом для проведения углубленных исследований. Мы считаем важным классифицировать входящие разговоры клиентов о бренде по следующим направлениям:

  1. Ключевые аспекты продуктов и услуг бренда, которые волнуют клиентов.
  2. Основные намерения и реакции пользователей в отношении этих аспектов.

Эти базовые концепции при использовании в сочетании становятся очень важным инструментом для анализа миллионов разговоров о брендах с точностью человеческого уровня. В этом посте мы возьмем пример Uber и продемонстрируем, как это работает. Читать дальше!

Классификатор текста - основные строительные блоки

1. Анализ настроений

Анализ настроений - это наиболее распространенный инструмент классификации текстов, который анализирует входящее сообщение и определяет, является ли основное настроение положительным, отрицательным или нейтральным. Вы можете ввести предложение по своему выбору и оценить лежащие в основе настроения, играя с демонстрацией здесь.

Эмоциональный анализ

Emotion Analysis может точно определить эмоцию по любым текстовым данным. Люди высказывают свое мнение, отзывы и обзоры в социальных сетях, блогах и форумах. Маркетологи и служба поддержки могут использовать возможности Emotion Detection для чтения и анализа эмоций, связанных с текстовыми данными. Наш классификатор Emotion Analysis обучен на нашем собственном наборе данных и определяет, является ли эмоция, лежащая в основе сообщения, счастливой, грустной, сердитой, испуганной, возбужденной, смешной или саркастической.

Анализ намерений

Анализ намерений активизирует игру, анализируя намерение пользователя, стоящее за сообщением, и определяет, связано ли оно с мнением, новостями, маркетингом, жалобой, предложением, признательностью или запросом.

Контекстный семантический поиск (CSS)

И вот здесь все становится по-настоящему интересным. Чтобы получить полезную информацию, важно понимать, о каком аспекте бренда обсуждает пользователь. Например, Amazon захочет отделить сообщения, относящиеся к поздним доставкам, проблемам с выставлением счетов, запросам, связанным с продвижением, обзорам продуктов и т. Д. Но как это сделать?

Мы представляем интеллектуальный алгоритм интеллектуального поиска под названием Контекстный семантический поиск (также известный как CSS). Принцип работы CSS заключается в том, что он принимает тысячи сообщений и концепцию (например, Цена) в качестве входных данных и фильтрует все сообщения, которые точно соответствуют данной концепции. На приведенном ниже рисунке показано, как CSS представляет собой серьезное улучшение по сравнению с существующими методами, используемыми в отрасли.

Обычный подход к фильтрации всех сообщений, связанных с ценой, заключается в выполнении поиска по ключевым словам по цене и другим тесно связанным словам, например (цена, плата, $, оплачено). Однако этот метод не очень эффективен, поскольку почти невозможно придумать все релевантные ключевые слова и их варианты, которые представляют конкретную концепцию. С другой стороны, CSS просто берет название концепции (Цена) в качестве входных данных и фильтрует все контекстуально похожие, даже если очевидные варианты ключевого слова концепции не упоминаются.

Для любопытных мы хотели бы показать, как это работает. Техника ИИ используется для преобразования каждого слова в определенную точку в гиперпространстве, а расстояние между этими точками используется для идентификации сообщений, контекст которых аналогичен концепции, которую мы изучаем. Визуализация того, как это выглядит под капотом, можно увидеть ниже:

Пришло время увидеть CSS в действии и то, как он работает с текстовыми данными ниже:

Алгоритм классифицирует сообщения как контекстно связанные с концепцией P рис, даже если слово Цена не упоминается в сообщениях.

Uber: подробный анализ

Мы проанализировали онлайн-обсуждения, происходящие в цифровых СМИ, по нескольким темам продуктов: Отмена, Оплата, Цена, Безопасность и Обслуживание.

Для широкого охвата источников данных мы взяли данные из последних комментариев на официальной странице Uber в Facebook, твитов с упоминанием Uber и последних новостных статей об Uber. Вот распределение точек данных по всем каналам:

  1. Facebook: 34 173 комментариев
  2. Twitter: 21 603 твитов
  3. Новости: 4 245 статей

Анализ настроений пользователей в беседах может дать вам представление об общем восприятии бренда. Но если копнуть глубже, важно дополнительно классифицировать данные с помощью контекстного семантического поиска.

Мы запустили алгоритм контекстного семантического поиска на том же наборе данных, взяв вышеупомянутые категории в учетной записи (Отмена, Платеж, Цена, Безопасность и Услуга).

FACEBOOK

Анализ настроений

Примечательно, что комментарии, относящиеся ко всем категориям, имеют в основном негативные настроения, за исключением одного. Количество положительных комментариев, относящихся к цене, превысило количество отрицательных. Чтобы копнуть глубже, мы проанализировали цель этих комментариев. Facebook является социальной платформой, поэтому комментарии переполнены случайным контентом, новостями, маркетинговым и рекламным контентом, а также спамом / мусором / несвязанным контентом. Взгляните на анализ намерений в комментариях Facebook:

Таким образом, мы удалили все такие нерелевантные категории намерений и воспроизвели результат:

Заметное изменение настроения по каждой категории. Особенно в комментариях, связанных с ценой, где количество положительных комментариев упало с 46% до 29%.

TWITTER

Анализ настроений

Аналогичный анализ был проведен для просканированных твитов. При первоначальном анализе твиты, связанные с платежами и безопасностью, были неоднозначными.

Чтобы понять реальные мнения, жалобы и предложения пользователей, мы должны снова отфильтровать несвязанные твиты (спам, нежелательная почта, маркетинг, новости и случайные):

Значительно сократилось количество положительных твитов, связанных с платежами. Кроме того, значительно снизилось количество положительных твитов для категории Безопасность (и связанных с ней ключевых слов).

Такие бренды, как Uber, могут полагаться на такую ​​информацию и действовать по наиболее важным темам. Например, твиты, связанные с услугами, содержат самый низкий процент положительных твитов и самый высокий процент отрицательных. Таким образом, Uber может анализировать такие твиты и действовать в соответствии с ними для улучшения качества обслуживания.

НОВОСТИ

Понятно, что безопасность стала самой обсуждаемой темой в новостях. Интересно, что настроение новостей положительное в целом и индивидуально в каждой категории.

Мы также классифицируем новости на основе их популярности. Рейтинг популярности основан на количестве публикаций статьи в различных социальных сетях. Вот список самых популярных новостных статей:

  1. Uber C.E.O. покинуть Консультативный совет Трампа после критики
  2. #DeleteUber: Пользователи недовольны приложением Трампа, запрещающим мусульманин
  3. Сотрудники Uber тоже ненавидят свою корпоративную культуру
  4. Каждый раз, когда мы берем Uber, мы распространяем его социальный яд
  5. Разъяренные клиенты удаляют приложение Uber после того, как водители отправились в аэропорт имени Джона Кеннеди во время акции протеста и забастовки

Заключение

Эпоха получения содержательной информации из данных социальных сетей теперь наступила с развитием технологий. Пример использования Uber дает вам представление о возможностях контекстного семантического поиска. Вашей организации пора выйти за рамки общих настроений и показателей, основанных на подсчете. В последнее время компании используют возможности данных, но для получения максимально подробной информации необходимо использовать возможности ИИ, глубокого обучения и интеллектуальных классификаторов, таких как контекстный семантический поиск.

Вы также можете использовать нашу надстройку Excel для анализа опросов, не написав ни единой строчки кода. Вы можете скачать надстройку здесь.

Надеемся, статья вам понравилась. Пожалуйста, Зарегистрируйтесь и получите бесплатную учетную запись ParallelDots, чтобы начать свой путь к искусственному интеллекту. Вы также можете посмотреть демонстрацию API PrallelDots AI здесь.

Оригинал статьи читайте здесь.