Bitcoin sentiment analiza in splošni uvod v sentiment analize

Analiza sentimentov na podlagi vidikov, rudarjenje mnenj in upravljanje spletnega ugleda

Analiza čustev je v zadnjih letih postala priljubljena tema tako v akademskem kot tudi v komercialnem sektorju. Omogoča vam, da spoznate mnenja strank o vaših izdelkih in storitvah.
V bistvu gre za rudarjenje podatkov, ki se nato ovrednotijo glede na subjektivna mnenja ali čustva.

Dragocene informacije lahko izvirajo s spletnih strani, ki prodajajo izdelke in storitve, npr. ocene na Amazonu ali Tripadvisorju. Še večje nabore podatkov o čustvih je mogoče pridobiti z analizo podatkov, ki nastanejo na platformah družbenih medijev, kot so Twitter, Instagram in drugi.

V preteklosti je bila prva faza analize čustev osredotočena na določanje splošnega čustva ali polarnosti čustev v stavkih, odstavkih ali celotnih dokumentih. V zadnjem času vse več podjetij ne zanima le splošna polarnost čustev v besedilih, objavljenih o njih ter njihovih izdelkih in storitvah. Želijo poznati tudi podrobnejše informacije:

  • kateri izdelki in storitve so omenjeni v besedilih o njih
  • kateri vidiki teh izdelkov in storitev so opisani (npr. za izdelek prenosnega računalnika so možni vidiki lahko trajanje baterije, ločljivost zaslona, trdi disk)
  • kakšno je mnenje o teh vidikih, kot je izraženo z mnenji v ocenah strank

Slednji pristop je znan tudi kot analiza sentimenta na podlagi vidikov (Aspect Based Sentiment Analysis – ABSA). ABSA omogoča da določimo sentiment za specifične entitete, tako lahko npr. opravljamo bitcoin sentiment analizo in podobno tudi za delnice.

ABSA obravnava različne vidike (npr. lokacija, hrana, sobna postrežba) izdelka (npr. hotela). ABSA pomeni več metod:

  • identifikacijo ustreznih entitet
  • pridobivanje njihovih značilnosti in vidikov
  • uporaba izrazov o vidiku za določitev razpoloženja ali mnenja, izraženega o določeni lastnosti ali vidiku (s kontekstualno polarnostjo razpoloženja pozitivnega, nevtralnega in negativnega razreda)

Identifikacijo vidikov je mogoče določiti z različnimi pristopi, vključno z globokim učenjem. Čeprav se globoko učenje pogosto bolj povezuje z nalogami svetovanja računalniškega vida, kot so identifikacija razredov slik, prepoznavanje obrazov, pa se v podobni intenzivnosti uporablja tudi za naloge, povezane z besedili, nekateri bolj znani primeri uporabe globokega učenja pri obdelavi naravnega jezika so naslednji modeli:

Analiza sentimenta, tj. določanje sentimenta vidikov ali celotnih stavkov, se lahko izvede z uporabo različnih modelov strojnega učenja ali obdelave naravnega jezika (NLP). Modele lahko tudi sami usposobimo, npr. z uporabo nevronske mreže z globokim učenjem.

V zadnjem obdobju je npr. zanimiva bitcoin sentiment analiza, ki omogoča pregled nad tem kako se spreminja sentiment o bitcoinu na socialnih omrežjih.

Pristop globokega učenja za usposabljanje klasifikatorja sentimenta vključuje:

  • pripravo ustreznega nabora označenih podatkov (dober je Stanfordov nabor označenih podatkov o tvitih)
  • izgradnjo modela nevronske mreže (npr. LSTM)
  • njegovo urjenje
  • ocenjevanje rezultatov (v smislu natančnosti, ponovnega priklica, ocene f in natančnosti)
  • uporaba modela v produkciji, npr. kot del podatkovnega cevovoda v Apache Airflow

Obstajajo podjetja, ki ponujajo svetovanje na področju strojnega učenja in vam lahko pripravijo takšen končni izdelek.

Analiza čustev omogoča pridobivanje čustev iz širokega nabora možnih besedil:

  •  tvitov
  • objave na instagramu
  • pregledi izdelkov
  • ocene restavracij
  • pregledi hotelov
  • ankete
  • e-poštna sporočila
  • vstopnice (podpora)

Analiza čustev ali rudarjenje mnenj je odlična rešitev za podjetja, ki imajo velike količine podatkov v obliki nestrukturiranih besedil, npr. e-poštne komunikacije s strankami. Omogoča jim, da iz teh zbirk podatkov pridobijo dragocene informacije in uporabne vpoglede.

Prav tako je lahko koristno kot del njihovega upravljanja spletnega ugleda, ki postaja vse pomembnejše.
Podjetja lahko tako vidijo, kateri izdelki in storitve so omenjeni v pozitivnem in kateri v negativnem tonu. To jim omogoča, da se včasih proaktivno odzovejo na negativna mnenja ali pa te povratne informacije uporabijo za izboljšanje svojih storitev in izdelkov.

Leave a comment

You must be logged in to post a comment.