Анализ настроений - это контекстный анализ текста, который идентифицирует и извлекает субъективную информацию из исходного материала и помогает бизнесу понять социальные настроения своего бренда, продукта или услуги при мониторинге онлайн-разговоров. Однако анализ потоков в социальных сетях обычно ограничивается только базовым анализом настроений и показателями, основанными на подсчете. Это похоже на то, чтобы просто коснуться поверхности и упустить те ценные идеи, которые ждут своего открытия. Так что же делать бренду, чтобы запечатлеть этот низко висящий плод?
Благодаря недавним достижениям в области глубокого обучения способность алгоритмов анализировать текст значительно улучшилась. 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:
- Ключевые аспекты продуктов и услуг бренда, которые волнуют клиентов.
- 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
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 вашему выбору и оценить лежащие в основе настроения, играя с демонстрацией здесь.
Анализ намерений
Анализ намерений активизирует игру, анализируя намерение пользователя, стоящее за сообщением, и определяя, связано ли оно с мнением, новостями, маркетингом, жалобой, предложением, признательностью или запросом.
Контекстный семантический поиск (CSS)
А теперь самое интересное. Чтобы получить полезную информацию, важно понимать, о каком аспекте бренда обсуждает пользователь. Например: Amazon захочет разделить сообщения, которые касаются: поздних доставок, проблем с выставлением счетов, запросов, связанных с продвижением, обзоров продуктов и т.д. , отзывы о гигиене, онлайн-заказы, название и местонахождение магазина 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 значительное улучшение существующих методов, используемых 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. CSS, с другой стороны, 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 похож на концепцию, 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 комментариями, относящимися к Uber, в примерах ниже:
Точно так же взгляните на этот твит:
В обоих случаях, описанных выше, алгоритм классифицирует эти сообщения как контекстно связанные с концепцией, называемой P рис, хотя слово Цена в этих сообщениях не упоминается.
Uber: глубокий анализ
Uber, самый ценный стартап в мире, был пионером в сфере экономики совместного использования. Работая в более чем 500 городах по всему миру и обслуживая огромную базу пользователей, Uber получает множество отзывов, предложений и жалоб от пользователей. Часто социальные сети являются наиболее предпочтительным средством для регистрации таких проблем. Огромный объем поступающих данных затрудняет анализ, категоризацию и получение информации.
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:
- Facebook: 34 173 комментариев
- Twitter: 21 603 твитов
- 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, приняв во внимание вышеупомянутые категории (Отмена, Платеж, Цена, Безопасность и Услуга).
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 намерение 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:
Анализ намерений комментариев в 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%.
Это дает нам представление о том, как CSS может генерировать глубокую информацию из цифровых медиа. Таким образом, бренд может анализировать такие твиты и опираться на положительные моменты из них или получать отзывы от отрицательных.
Анализ настроений
Аналогичный анализ был проведен для просканированных твитов. При первоначальном анализе твиты, связанные с оплатой и безопасностью, имели смешанные мнения.
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).
Кроме того, в комментариях в Твиттере чаще всего упоминаются темы Отмена, Платеж и Сервис (и связанные с ними слова). Похоже, что люди больше всего говорили о водителях, отменяющих поездку, и о взимаемой с них плате за отмену. Взгляните на этот твит:
Такой бренд, как Uber, может 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:
- Uber C.E.O. покинуть Консультативный совет Трампа после критики
- #DeleteUber: Пользователи недовольны приложением Трампа, запрещающим мусульманин
- Сотрудники Uber тоже ненавидят свою корпоративную культуру
- Каждый раз, когда мы берем Uber, мы распространяем его социальный яд
- 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 вы должны использовать возможности ИИ, глубокого обучения и интеллектуальных классификаторов, таких как контекстный семантический поиск и анализ настроений. В Карна вы можете связаться с нами, чтобы получить лицензию на нашу технологию или получить настраиваемую панель управления для генерации содержательной информации с цифровых носителей. Вы можете посмотреть демо здесь.
ParallelDots AI APIs - это веб-сервис на основе глубокого обучения от ParallelDots Inc, который может распознавать огромное количество неструктурированного текста и визуального контента для расширения возможностей ваших продуктов. Вы можете ознакомиться с некоторыми из наших API для анализа текста и связаться с нами, заполнив эту форму здесь, или написать нам по адресу [email protected].
