Sentimentanalyse

Sentimentanalyse (of opinion mining) is een natuurlijke taalverwerkingstechniek die wordt gebruikt om te bepalen of gegevens positief, negatief of neutraal zijn. Sentimentanalyse wordt vaak uitgevoerd op tekstuele gegevens om bedrijven te helpen bij het monitoren van merk- en productsentiment in klantenfeedback en om inzicht te krijgen in de behoeften van klanten.

Wat is sentimentanalyse

Sentimentanalyse is het proces van het detecteren van positief of negatief sentiment in tekst. Het wordt vaak gebruikt door bedrijven om het sentiment in sociale gegevens te detecteren, de merkreputatie te peilen en inzicht te krijgen in klanten.

Omdat klanten hun gedachten en gevoelens openlijker uiten dan ooit tevoren, wordt sentimentanalyse een essentieel hulpmiddel om dat sentiment te monitoren en te begrijpen. Het automatisch analyseren van klantfeedback, zoals meningen in enquêtereacties en conversaties op sociale media, stelt merken in staat om te leren wat klanten blij of gefrustreerd maakt, zodat ze producten en diensten kunnen afstemmen op de behoeften van hun klanten.

Als je bijvoorbeeld sentimentanalyse gebruikt om automatisch 4000+ beoordelingen over je product te analyseren, kun je ontdekken of klanten tevreden zijn over je prijsplannen en klantenservice.

Misschien wil je het merksentiment op sociale media meten, in realtime en in de loop van de tijd, zodat je ontevreden klanten onmiddellijk kunt opsporen en zo snel mogelijk kunt reageren.

Soorten sentimentanalyse

Sentimentanalysemodellen richten zich op polariteit (positief, negatief, neutraal) maar ook op gevoelens en emoties (boos, blij, verdrietigenz.), urgentie (dringend, niet dringend) en zelfs intenties (geïnteresseerd v. niet geïnteresseerd).

Afhankelijk van hoe je feedback en vragen van klanten wilt interpreteren, kun je categorieën definiëren en aanpassen aan je behoeften voor sentimentanalyse. Ondertussen zijn hier enkele van de populairste soorten sentimentanalyse:

Fijnkorrelige sentimentanalyse

Als polariteit belangrijk is voor je bedrijf, kun je overwegen om je polariteitscategorieën uit te breiden:

Zeer positief
Positief
Neutraal
Negatief
Zeer negatief

Dit wordt meestal fijnkorrelige sentimentanalyse genoemd en kan bijvoorbeeld worden gebruikt om 5-sterrenbeoordelingen in een recensie te interpreteren:

Zeer positief = 5 sterren
Zeer negatief = 1 ster

Emotiedetectie

Dit type sentimentanalyse is gericht op het detecteren van emoties, zoals blijdschap, frustratie, woede, verdriet, enzovoort. Veel emotiedetectiesystemen maken gebruik van lexicons (lijsten van woorden en de emoties die ze overbrengen) of complexe algoritmen voor machinaal leren.

Een van de nadelen van het gebruik van lexicons is dat mensen emoties op verschillende manieren uitdrukken. Sommige woorden die boosheid uitdrukken, zoals slecht of doden (bijv. uw product is zo slecht of jullie klantenservice is moordend) kan ook geluk uitdrukken (bijv. dit is te gek of je doet het geweldig).

Aspect-gebaseerde sentimentanalyse

Meestal wil je bij het analyseren van sentimenten van teksten, laten we zeggen productrecensies, weten welke specifieke aspecten of functies mensen positief, neutraal of negatief noemen. Dat is waar aspectgebaseerde sentimentanalyse kan helpen, bijvoorbeeld in deze tekst: "De batterijduur van deze camera is te kort"zou een aspectgebaseerde classificator kunnen bepalen dat de zin een negatieve mening uitdrukt over het kenmerk levensduur van de batterij.

Meertalige sentimentanalyse

Meertalige sentimentanalyse kan moeilijk zijn. Er zijn veel voorbewerkingen en hulpmiddelen voor nodig. De meeste van deze bronnen zijn online beschikbaar (bv. sentiment lexicons), terwijl andere gemaakt moeten worden (bv. vertaalde corpora of ruisdetectie algoritmes), maar je moet weten hoe je moet coderen om ze te gebruiken.

Hoe wordt machine learning gebruikt voor sentimentanalyse?

De belangrijkste rol van machine learning in sentimentanalyse is het verbeteren en automatiseren van de low-level tekstanalysefuncties waar sentimentanalyse op steunt, waaronder Part of Speech tagging. Gegevenswetenschappers kunnen bijvoorbeeld een machine-learning model trainen om zelfstandige naamwoorden te identificeren door het te voeden met een grote hoeveelheid tekstdocumenten met vooraf getagde voorbeelden. Met behulp van supervised en unsupervised machine learning technieken, zoals neurale netwerken en deep learning, zal het model leren welke zelfstandige naamwoorden lijken.

Zodra het model klaar is, kan dezelfde datawetenschapper deze trainingsmethoden toepassen om nieuwe modellen te bouwen om andere spraakdelen te identificeren. Het resultaat is een snelle en betrouwbare Part of Speech tagging die het grotere tekstanalysesysteem helpt om zinnen met een sentiment effectiever te identificeren.

Machine learning helpt gegevensanalisten ook om lastige problemen op te lossen die worden veroorzaakt door de evolutie van taal. De zin "brandwond" kan bijvoorbeeld veel verschillende betekenissen hebben. Het is onmogelijk om een set sentimentanalyseregels te maken die rekening houdt met elke mogelijke betekenis. Maar als je een model voor machinaal leren voedt met een paar duizend voorbeelden met een vooraf getagd label, kan het leren begrijpen wat "brandwond" betekent in de context van videospellen en niet in de context van de gezondheidszorg. En je kunt vergelijkbare trainingsmethoden toepassen om ook andere dubbele betekenissen te begrijpen.

De algemene voordelen van sentimentanalyse zijn onder andere

Gegevens op schaal sorteren

Kun je je voorstellen dat je handmatig duizenden tweets, klantensupportgesprekken of enquêtes moet sorteren? Er zijn gewoon te veel bedrijfsgegevens om handmatig te verwerken. Sentimentanalyse helpt bedrijven om enorme hoeveelheden gegevens op een efficiënte en kosteneffectieve manier te verwerken.

Real-time analyse

Sentimentanalyse kan in realtime kritieke kwesties identificeren, bijvoorbeeld: escaleert een PR-crisis op sociale media? Staat een boze klant op het punt om af te haken? Sentimentanalysemodellen kunnen je helpen om dit soort situaties onmiddellijk te identificeren, zodat je meteen actie kunt ondernemen.



Consistente criteria

Er wordt geschat dat mensen het slechts 60-65% van de tijd eens zijn bij het bepalen van het sentiment van een bepaalde tekst. Het taggen van tekst op sentiment is zeer subjectief en wordt beïnvloed door persoonlijke ervaringen, gedachten en overtuigingen. Door een gecentraliseerd systeem voor sentimentanalyse te gebruiken, kunnen bedrijven dezelfde criteria toepassen op al hun gegevens, waardoor ze de nauwkeurigheid verbeteren en betere inzichten krijgen.