تجزیه و تحلیل احساسات

تجزیه و تحلیل احساسات ، تفسیر خودکار و طبقه بندی احساسات (معمولاً مثبت ، منفی یا خنثی) از داده های متنی مانند بررسی های کتبی و پست های رسانه های اجتماعی است.

تجزیه و تحلیل احساسات چیست؟

تجزیه و تحلیل احساسات زیر مجموعه ای از پردازش زبان طبیعی (NLP) است که از یادگیری ماشین برای تجزیه و تحلیل و طبقه بندی لحن عاطفی داده های متن استفاده می کند. مدل های اساسی در درجه اول روی طبقه بندی مثبت ، منفی و خنثی تمرکز می کنند اما ممکن است احساسات اساسی بلندگو (لذت ، عصبانیت ، عصبانیت) و همچنین اهداف خرید را به خود اختصاص دهند.

زمینه پیچیدگی را به تجزیه و تحلیل احساسات می افزاید. به عنوان مثال ، تعجب "هیچ چیز!"بسته به اینکه آیا گوینده در مورد آنچه انجام می دهد یا دوست ندارد در مورد یک محصول ، معنای قابل توجهی متفاوت دارد. برای درک عبارت "من آن را دوست دارم" دستگاه باید بتواند زمینه را حل کند تا بفهمد "آن" به چه چیزی اشاره دارد. طنز و طعنه نیز چالش برانگیز است زیرا گوینده ممکن است چیزی مثبت بگوید در حالی که برعکس است.

انواع مختلفی از تجزیه و تحلیل احساسات وجود دارد. تجزیه و تحلیل احساسات مبتنی بر جنبه به یک سطح عمیق تر می رود تا مشخص شود که ویژگی ها یا جنبه های خاص باعث ایجاد احساسات مثبت ، خنثی یا منفی می شوند. مشاغل می توانند از این بینش برای شناسایی کاستی در محصولات یا برعکس ویژگی هایی که اشتیاق غیر منتظره ایجاد می کنند ، استفاده کنند. تجزیه و تحلیل احساسات تنوع است که سعی در تعیین شدت عاطفی یک بلندگو در مورد یک موضوع دارد. تجزیه و تحلیل هدف احتمال انجام اقدامات را تعیین می کند.

چرا از تجزیه و تحلیل احساسات استفاده می کنیم؟

مشاغل می توانند از بینش های تجزیه و تحلیل احساسات برای بهبود محصولات خود ، پیام های بازاریابی دقیق ، تصورات غلط صحیح و شناسایی تأثیرگذار مثبت استفاده کنند.

رسانه های اجتماعی در شیوه تصمیم گیری مردم در مورد محصولات و خدمات ، انقلابی ایجاد کرده است. در بازارهایی مانند مسافرت ، مهمان نوازی و الکترونیک مصرفی ، اکنون بررسی مشتری حداقل به اندازه ارزیابی های داوران حرفه ای مهم است. منابعی مانند رتبه بندی و بررسی های آمازون در TripAdvisor ، Google و Yelp به معنای واقعی کلمه می توانند محصولات را تولید یا خراب کنند. رسانه های کم نظیر مانند وبلاگ ها ، توییتر ، فیس بوک و اینستاگرام همچنین می توانند منابع مفیدی از بینش در مورد احساسات مشتری و همچنین بازخورد در مورد ویژگی ها و خدمات محصول که الهام بخش ستایش یا محکومیت است ، باشد.

تجزیه و تحلیل دستی این فراوانی متن تولید شده توسط مشتریان یا مشتریان بالقوه وقت گیر است. تجزیه و تحلیل احساسات رسانه های اجتماعی ، ایمیل ها ، بلیط های پشتیبانی ، چت ها ، بررسی محصول و توصیه ها به یک منبع ارزشمند تبدیل شده است که تقریباً در تمام عمودی های صنعت مورد استفاده قرار می گیرد. کمک به مشاغل برای به دست آوردن بینش ، درک مشتریان ، پیش بینی و تقویت تجربه مشتری ، کارزارهای بازاریابی خیاطی و کمک به تصمیم گیری بسیار مفید است.

از مواردی برای تجزیه و تحلیل احساسات استفاده کنید

مثال استفاده از موارد تجزیه و تحلیل احساسات شامل موارد زیر است:

• طراحان محصول برای تعیین اینکه کدام ویژگی ها با مشتریان طنین انداز هستند ، از تجزیه و تحلیل احساسات استفاده می کنند و بنابراین مستحق سرمایه گذاری و توجه اضافی هستند. برعکس ، آنها می توانند یاد بگیرند که یک محصول یا ویژگی در حال صاف شدن است و تنظیم می شود تا از ورود موجودی به سطل معامله جلوگیری شود.
• سازمان های بازاریابی به شدت به تجزیه و تحلیل احساسات متکی هستند تا به آنها در پیام های دقیق ، کشف تأثیر گذاران آنلاین و ایجاد کلمه مثبت ، کمک کنند.
• سازمان های خرده فروشی احساسات خود را برای تعیین اینکه کدام محصولات به خوبی می فروشند و موجودی و تبلیغات را بر این اساس تنظیم می کنند ، معدن می کند.
• سرمایه گذاران می توانند روندهای جدیدی را که در مکالمات آنلاین وجود دارد که فرصت های بازار را پیش بینی می کنند ، شناسایی کنند.
• سیاستمداران از آن برای نمونه برداری از نگرش رأی دهندگان در مورد موضوعات مهم استفاده می کنند.

تجزیه و تحلیل احساسات چگونه کار می کند؟

مهندسی ویژگی یادگیری ماشین

مهندسی ویژگی فرآیند تبدیل داده های خام به ورودی برای یک الگوریتم یادگیری ماشین است. برای استفاده در الگوریتم های یادگیری ماشین ، ویژگی ها باید در بردارهای ویژگی قرار گیرند ، که بردارهای اعدادی هستند که ارزش هر ویژگی را نشان می دهند. برای تجزیه و تحلیل احساسات ، داده های متنی باید در بردارهای کلمه ای قرار گیرند ، که بردارهای اعدادی هستند که ارزش هر کلمه را نشان می دهند. متن ورودی را می توان با استفاده از تکنیک های شمارش مانند کیف کلمات (کمان) ، کیسه-گرام ، یا فرکانس فرکانس/فرکانس معکوس (TF-IDF) در بردارهای کلمه ای رمزگذاری کرد.

طبقه بندی احساسات با استفاده از یادگیری ماشین نظارت شده.

پس از تبدیل متن ورودی به بردارهای کلمه ای ، می توان از الگوریتم های یادگیری ماشین طبقه بندی برای طبقه بندی احساسات استفاده کرد. طبقه بندی خانواده ای از الگوریتم های یادگیری ماشین نظارت شده است که مشخص می کند کدام یک از موارد را بر اساس داده های دارای برچسب (مانند متن منفی یا مثبت) تعلق دارد (مانند متن دارای برچسب مثبت یا منفی).

الگوریتم های یادگیری ماشین طبقه بندی که می توانند برای تجزیه و تحلیل احساسات استفاده شوند عبارتند از:

• خانواده ای از الگوریتم های احتمالی است که احتمال شرطی کلاس داده های ورودی را تعیین می کند. در یک فضای n بعدی (تعداد ویژگی های موجود) یک هیپرپلن را پیدا می کند که به طور مشخص نقاط داده را طبقه بندی می کند.
• رگرسیون لجستیک از یک تابع لجستیک برای مدل سازی احتمال یک کلاس خاص استفاده می کند.

تجزیه و تحلیل احساسات با استفاده از یادگیری عمیق

Deep Leaing (DL) زیر مجموعه ای از یادگیری ماشین (ML) است که از شبکه های عصبی مصنوعی چند لایه برای ارائه دقت پیشرفته در کارهایی مانند NLP و دیگران استفاده می کند. تکنیک های جاسازی کلمه DL مانند Word2VEC کلمات را به روش های معنی دار با یادگیری انجمن های کلمه ، معنی ، معناشناسی و نحو رمزگذاری می کنند. الگوریتم های DL همچنین آموزش پایان به پایان مدلهای NLP را بدون نیاز به ویژگی های مهندسی دستی از داده های ورودی خام امکان پذیر می کنند.

تغییرات مختلفی از الگوریتم های یادگیری عمیق وجود دارد. شبکه های عصبی مکرر موتورهای ریاضی برای تجزیه الگوهای زبان و داده های توالی هستند. آنها مغزهای پردازش زبان طبیعی هستند که به الکسا آمازون گوش و گفتار می دهند و در ترجمه زبان ، پیش بینی سهام و تجارت الگوریتمی استفاده می شوند. مدل های یادگیری عمیق ترانسفورماتور ، مانند BERT (بازنمایی رمزگذار دو طرفه از ترانسفورماتورها) ، جایگزینی برای شبکه های عصبی مکرر است که یک تکنیک توجه را به کار می گیرند - با تمرکز توجه به مهمترین کلماتی که قبل و بعد از آن می آیند ، یک جمله را انجام می دهند. BERT با ارائه دقت قابل مقایسه با پایه های انسانی در معیارهای برای شناخت قصد ، تجزیه و تحلیل احساسات و موارد دیگر ، پیشرفت در NLP را متحول کرد. این بسیار دو طرفه است و می تواند زمینه را بهتر از سایر مکانیسم های رمزگذاری متن درک و حفظ کند. یک چالش مهم در مدل های آموزش زبان ، عدم وجود داده های دارای برچسب است. BERT در مورد کارهای بدون نظارت آموزش دیده است و به طور کلی از مجموعه داده های بدون ساختار از کتاب های Corpus ، انگلیسی ویکی پدیا و موارد دیگر استفاده می کند.

GPU: تسریع NLP و تجزیه و تحلیل احساسات

محرک رشد NLP پیشرفت های اخیر و مداوم و پیشرفت در پردازش زبان طبیعی است که کمترین آن استقرار GPU ها برای خرد کردن از طریق مدلهای زبان به طور فزاینده و بسیار پیچیده نیست.

GPU از صدها هسته تشکیل شده است که می تواند هزاران نخ را به صورت موازی اداره کند. GPU ها به بستر انتخاب مدل های ML و DL تبدیل شده اند و استنتاج را انجام می دهند زیرا می توانند عملکرد 10 برابر بالاتری نسبت به سیستم عامل های CPU ارائه دهند.

شبکه های عصبی عمیق یادگیری عمیق می توانند از میلیون ها تا بیش از یک میلیارد پارامتر برای تنظیم از طریق پیشنهادات برگشت داشته باشند. آنها همچنین برای دستیابی به دقت بالا به مقدار زیادی از داده های آموزشی نیاز دارند ، به این معنی که صدها هزار تا میلیون ها نمونه ورودی باید از طریق یک پاس رو به جلو و عقب اجرا شود. از آنجا که شبکه های عصبی از تعداد زیادی از نورون های یکسان ایجاد می شوند ، از نظر طبیعت بسیار موازی هستند. این موازی سازی به طور طبیعی به GPU ها نقشه می کند و سرعت محاسباتی قابل توجهی را نسبت به آموزش فقط CPU فراهم می کند. GPU ها به همین دلیل به بستر انتخاب سیستم های بزرگ و پیچیده مبتنی بر شبکه عصبی تبدیل شده اند و ماهیت موازی عملیات استنباط نیز خود را به خوبی برای اجرای GPU ها وام می دهد. علاوه بر این ، مدل های یادگیری عمیق مبتنی بر ترانسفورماتور ، مانند BERT ، نیازی به داده های پی در پی برای پردازش به ترتیب ندارند ، و این امکان را برای موازی سازی بسیار بیشتر و کاهش زمان آموزش در GPU ها از RNN ها فراهم می کند.

کتابخانه های هوش مصنوعی NVIDIA GPU

با داشتن GPU های NVIDIA و کتابخانه های CUDA-X AI ، ، مدل های عظیم و پیشرفته زبان می توانند به سرعت آموزش داده و بهینه شوند تا استنتاج را فقط در چند میلی ثانیه یا هزارم ثانیه انجام دهند. این یک تلاش مهم برای پایان دادن به تجارت بین یک مدل هوش مصنوعی است که به سرعت در مقابل مدل بزرگ و پیچیده است. قابلیت های پردازش موازی و معماری هسته تانسور از GPU های NVIDIA امکان عملکرد بالاتر و مقیاس پذیری را هنگام کار با مدلهای زبان پیچیده فراهم می کند-عملکرد تنظیم رکورد را برای آموزش و استنباط BERT فراهم می کند.

Nvidia GPU شتاب زده ، علم داده پایان به پایان

مجموعه کتابخانه های نرم افزاری NVIDIA RAPIDS ، که بر روی Cuda-X AI ساخته شده است ، به شما این آزادی را می دهد که علوم داده نهایی و خط لوله های تجزیه و تحلیل را کاملاً در GPU ها اجرا کنید. این امر به NVIDIA ® CUDA ® بدوی برای بهینه سازی محاسبه سطح پایین متکی است ، اما این موازی سازی GPU و سرعت حافظه باند بالا را از طریق رابط های پایتون کاربر پسند در معرض دید قرار می دهد.

چارچوبهای یادگیری عمیق GPU Nvidia

چارچوب های DL با شرکتی GPU انعطاف پذیری را برای طراحی و آموزش شبکه های عصبی عمیق سفارشی و ارائه رابط هایی برای زبان های برنامه نویسی معمول مانند پایتون و C/C ++ ارائه می دهند. از چارچوبهای یادگیری عمیق مانند MXNET ، PYTORCH ، Tensorflow و سایرین به کتابخانه های شتاب دهنده GPU NVIDIA متکی هستند تا آموزش های شتاب با عملکرد بالا و چند GPU را ارائه دهند.