情感分析

情感分析最初的承诺——每条消息一个积极或消极的单一评分——随着时间的推移表现不佳。抱怨配送的负面评论与抱怨质量的负面评论在操作上有所不同，两者又与抱怨定价的负面评论不同。如果将其归结为极性评分，这三者都将变得不可见。基于方面的情感分析解决了这个问题：每条消息都被分解成讨论的方面以及对每个方面表达的情感，从而使最终的分析与业务的实际组织方式保持一致。

我们将方面模式视为活的文物。最初重要的类别——服务、价格、质量、配送——很快就需要补充更细致的类别，因为数据揭示了原始模式无法表达的模式。我们的部署包括明确的流程，用于在不使历史报告失效的情况下演进方面分类法，从而使分析在不同时间段内保持可比性。

除了方面，我们还跟踪意图（投诉、查询、赞扬、建议、流失信号）、具有操作价值的情感，以及明确的命名实体（产品、地点、竞争对手）。这种组合将文本流转化为结构化事件日志，其他系统可以订阅。

• 方面检测和方面级情感
• 意图分类（流失、投诉、查询）
• 产品和品牌的命名实体识别
• 针对评论渠道的讽刺感知分类
• 使用语言感知模型进行多语言评分
• 为分析师信任提供解释片段

跨语言运营的品牌经常面临为每个市场建立并行情感系统的问题，这些系统基于略有不同的模式进行评分，并且永远无法完全比较。我们构建具有一致模式和跨语言一致评分行为的单一多语言系统，以便区域仪表盘的含义与全球仪表盘的含义一致，反之亦然。

我们的模型将多语言Transformer主干与在感兴趣的每种语言的代表性数据上微调的特定任务适配器相结合。如果某种特定语言的训练数据较少，我们使用翻译增强训练、跨语言迁移和主动标注来使质量达到可接受的均等。最重要的是，评估是按语言进行的，而不是通过平均值来掩盖一个表现强劲的模型背后平庸的表现。

针对特定语言的现象——阿拉伯语方言变体、德语复合词、日语敬语等级、英语讽刺——通过有针对性的数据收集和模型调整而不是通用改进来解决。结果是多语言分析在每个市场都能经受住审查。

“如果你的情感系统在十二种语言中给出相同的答案，请问它是否真正理解了其中任何一种语言。”

静态的情感分析很有趣；动态的情感分析才具有价值。我们将分类输出直接集成到对其进行操作的运营系统中：支持工单路由、CRM警报、针对高风险客户的营销抑制列表、针对品类经理的产品路线图仪表盘，以及当新兴主题开始激增时向公关团队发出的通知。当操作信号的人也能够进行标注时，反馈循环就闭合了，从而为改进下一个模型提供了标签。

实时警报需要谨慎对待。虚假警报会迅速削弱人们对警报系统的信任，因此我们根据历史信噪比调整阈值，用适当的窗口平滑它们，并将其与置信区间配对，以区分真实的峰值和随机变化。当警报依赖于新兴主题——上个月不存在的问题——我们使用在线聚类和主题检测方法，一旦它们达到操作上有意义的量，就将其浮出水面。

仪表盘的设计围绕着数据消费者实际提出的问题，而不是数据科学家认为有趣的问题。产品经理希望看到其负责产品的方面情感周环比变化；联络中心负责人希望实时查看新负面工单的队列；品牌总监希望看到与竞争对手相比的对话份额。每个视图都来自相同的底层分类流。

公开情感基准对于实际商业数据上的表现来说是不可靠的指南，这些数据更混乱、更多语言且更具领域特异性。我们使用您的实际数据的代表性样本来衡量质量，标签由通常裁决模糊案例的人员（您的联络中心团队、您的主持人、您的品类经理）收集。由此产生的基线是所有后续改进的测试标准。

我们特别关注注释者间一致性。情感是出了名的难以捉摸；如果您的专家在标签上相互存在分歧，那么任何模型都不能指望超出该界限产生一致的输出。我们明确测量一致性，在一致性差时完善指南，并报告模型相对于人类标签质量所允许的上限的表现。

在准确性之外，还会检查偏见和公平性。一个在一种语言中或在某一类客户内容中系统性地更严厉的情感模型，将以需要很长时间才能检测到的方式扭曲下游分析。我们明确测试这些模式，并在出现时进行重新校准。

典型的合作从对您的文本数据（例如三个月的评论、工单和社交提及）的代表性切片进行发现开始，以表征数量、语言组合、方面分布以及分析将支持的运营决策。从那里，我们构建一个初始分类器，将其集成到一个优先工作流中，并随着对信号需求的增长而扩展部署。大多数客户从一个单一用例（通常是支持工单分类或产品问题检测）开始，并在接下来的六到十二个月内实现完整的多渠道部署。