客戶之聲：如何進行客戶情感分析，獲取潛在機會

你是否曾經想過，你的產品或服務是否真正滿足了客戶的需求？你是否想知道客戶對你的公司、品牌和員工的態度？如果你想要了解這些信息，就需要進行客戶情感分析。

 

01 什么是情感分析

情感分析（或觀點挖掘）是一種自然語言處理 （NLP） 技術，用于確定數據是正面、負面還是中立。情感分析通常對文本數據進行分析，以幫助企業監控客戶反饋中的品牌和產品情緒，并了解客戶需求。

• 情感分析的類型

情感分析側重于文本的極性（積極的、消極的、中立的），但它也超越了極性來檢測特定的感受和情緒（憤怒、快樂、悲傷等）、緊迫性（緊急、不緊急）甚至意圖（感興趣與不感興趣）。

根據您希望如何解釋客戶反饋和咨詢，您可以定義和定制類別以滿足您情感分析需求。以下是一些最常用的情感分析類型：

1）分級情感分析

如果極性精度對您的業務很重要，您可以考慮擴展極性類別以包括不同級別的正負向：

2）情緒檢測

情緒檢測情感分析允許您超越極性來檢測情緒，如快樂、沮喪、憤怒和悲傷。許多情緒檢測系統使用詞典（即單詞列表及其傳達的情感）或復雜的機器學習算法。

使用詞典的缺點之一是人們表達情感的方式各不相同。一些通常表達憤怒的詞，如 "壞"（bad）或 "殺"（kill）（例如，你的產品太糟糕了，或者你的客戶支持簡直要了我的命！）也可能表達快樂（如 "這真是個大壞蛋 "或 "你們真是太棒了"）。

 

3）基礎情感分析

通常，在對文本進行情感分析時，您會想知道人們以積極、中立或消極的方式提及哪些特定方面或特征。

這就是基礎情感分析可以提供幫助的地方，例如在產品評論中：“這款相機的電池壽命太短”，基礎分類將能夠確定該句子表達了對相關產品的電池壽命的負面意見。

 

4）多語言情感分析

多語言情感分析可能很困難，它涉及大量的預處理和資源。這些資源中的大部分都可以在網上找到（例如情感詞典），而其他資源則需要創建（例如翻譯的語料庫或噪聲檢測算法），但您需要知道如何編寫代碼才能使用它們。

或者，您可以使用語言分類器自動檢測文本中的語言，然后訓練自定義情感分析模型，用您選擇的語言對文本進行分類。

 

02 為什么情感分析很重要

由于人們越來越傾向于在公開渠道表達自己的想法和感受，情感分析正迅速成為監控和理解各類數據情感的重要工具。

自動分析客戶反饋，例如調查回復社交媒體對話中的意見，使品牌能夠了解什么讓客戶滿意或沮喪，以便他們可以定制產品和服務以滿足客戶的需求。

例如，使用情感分析自動分析客戶滿意度調查中的 4000+ 個開放式回復，可以幫助您發現客戶在客戶旅程的每個階段滿意或不滿意的原因。

也許您想跟蹤品牌情感，以便您可以立即發現不滿的客戶并盡快做出回應。也許您想比較這個季度和下一個季度的情緒，看看是否需要采取行動。然后，您可以更深入地挖掘定性數據，以了解情感下降或上升的原因。

• 情感分析的總體趨勢

1）大規模數據整理

您能想象手動整理成千上萬條的推文、客服對話或調查報告嗎？情感分析可幫助企業以高效、經濟的方式處理大量非結構化數據。

 

2）實時分析

情感分析可以實時識別關鍵問題，例如社交媒體上的公關危機是否正在升級？憤怒的客戶是否即將流失？情感分析模型可以幫助您立即識別這類情況，以便您可以快速采取行動。

 

3）一致的標準

據估計，在判斷特定文本情感時，只有大約 60-65% 的時間會達成一致。情感標記文本具有很強的主觀性，會受到個人經歷、思想和信念的影響。

通過使用集中式情感分析系統，企業可以對其所有的數據應用相同的標準，從而幫助他們提高準確性并獲得更好的洞察力。

 

03 情感分析如何工作

情感分析，也稱為意見挖掘，得益于自然語言處理 （NLP） 和機器學習算法，可以自動確定在線對話背后的情感基調。

情感分析模型可以采用不同的算法，具體取決于需要分析的數據量以及模型準確性的要求。下面我們將詳細介紹其中的一些算法。

1）基于規則的方法

通常情況下，基于規則的系統使用一套人為制定的規則來幫助識別主觀性、極性或觀點的主體。

這些規則可能包括在計算語言學中開發的各種NLP技術，例如：詞干提取、標記化、詞性標記和解析、詞典（即單詞和表達式列表）。

下面是基于規則的系統如何工作的基本示例：

1.定義兩個極化詞表（負面詞表，如壞、最差、丑等和正面詞表，如好、最好、美麗等）。

2.計算給定文本中出現的正面和負面詞語的數量。

3.如果正面詞語出現的次數大于負面詞語出現次數，系統就會返回正面情感，反之亦然。如果兩者相等，系統將返回中性情感。

基于規則的系統非常基礎，因為它們沒有考慮單詞在序列是如何中組合的。當然，可以使用更先進的處理技術，并添加新規則以支持新的表達和詞匯。但是，添加新規則可能會影響以前的結果，整個系統可能會變得非常復雜。由于基于規則的系統通常需要微調和維護，因此也需要定期投資。

 

2）自動方法

與基于規則的系統相反，自動方法不依賴于人工制定的規則，而是依賴于機器學習技術。情感分析任務通常被建模為一個分類問題，分類器收到文本后會返回一個類別，例如正面、負面或中性。

下面介紹機器學習分類器的實現方式：

• 訓練和預測過程

在訓練過程（a）中，我們的模型會根據用于訓練的測試樣本，學習將特定輸入（即文本）與相應的輸出（標簽）相關聯。特征提取器將文本輸入轉化為特征向量。特征向量和標簽對（例如正面、負面或中性）被輸入到機器學習算法中以生成模型。

在預測過程（b）中，特征提取器用于將看不見的文本輸入轉換為特征向量。然后將這些特征向量輸入模型，由模型生成預測標簽（同樣是正面、負面或中性）。

 

• 從文本中提取特征

機器學習文本分類器的第一步是轉換文本提取或文本矢量化，經典方法是帶有詞頻的詞袋（bag-of-words）或詞組袋（bag-of-ngrams）。

如今，基于詞嵌入（也稱為詞向量）應用了新的特征提取技術。這種表示使具有相似含義的詞可以具有相似的表示，從而提高分類器的性能。

 

• 分類算法

分類步驟通常涉及如樸素貝葉斯、線性回歸、支持向量機或神經網絡等統計模型：

  樸素貝葉斯： 一系列概率算法，使用貝葉斯定理來預測文本的類別。

  線性回歸： 統計學中一種非常著名的算法，用于在給定一組特征 （X） 的情況下預測某個值 （Y）。

  支持向量機：一種非概率模型，它將文本示例表示為多維空間中的點。不同類別（情感）的示例被映射到該空間內的不同區域。然后，根據與現有文本的相似性及其映射到的區域為新文本分配一個類別。

  深度學習： 一組多樣化的算法，試圖通過采用人工神經網絡來處理數據的方法來模仿人腦。

 

3）混合方法

混合系統將基于規則和自動技術的理想元素組合到一個系統中。這些系統的一個巨大優勢是結果往往更加準確。

 

04 情感分析的挑戰

情感分析是自然語言處理中最難的任務之一，因為即使是人類也很難準確分析情感。

數據科學家在創建更準確的情感分類器方面正在取得進步，但還有很長的路要走。

• 主觀性和語氣

文本分為兩類：主觀文本和客觀文本。客觀文本不包含明確的情感，而主觀文本則包含。

大多數人會說，第一個情緒是積極的，第二個是中性的，對嗎？所有謂語（形容詞、動詞和一些名詞）在如何創造情感方面都不應該一視同仁。在上面的例子中，好看比紅色更主觀。

 

• 語境和極性

所有的話語都是在某個時間、某個地方、對某些人說出來的。所有話語都在語境中說出的，在沒有上下文的情況下分析情感相當困難。如果沒有明確提及上下文，機器就無法了解語境，語境引起的問題之一是極性的變化。查看以下回復：

關于它的一切。

絕對沒有！

想象一下，上面的回答來自問題“你喜歡這個活動的哪些方面？”第一個反應是積極的，第二個反應是消極的，對嗎？現在，設想這些回答來自對問題“你不喜歡這次活動的哪些方面？”問題中的否定會讓情感分析完全改變。

如果我們要至少考慮到產生文本的部分背景，就需要進行大量的預處理或后處理。然而，如何對數據預處理或后處理，以捕獲有助于情感分析的上下文信息，并不是一件簡單的事。

 

• 諷刺和挖苦

說到諷刺和挖苦，人們會用正面的詞語來表達自己的負面情緒，如果不全面了解表達情緒的情境，機器就很難察覺。

例如，查看以下問題的一些可能答案：

你會為上述回答賦予什么情感？第一個帶感嘆號的回答可能是負面的，對嗎？問題是沒有文本線索可以幫助機器學習，或者至少可以質疑這種情感，因為 "是的 "和 "當然 "通常屬于正面或中性文本。

那么第二個回答呢？在這種情況下，情緒是積極的，但我們相信你可以想出很多不同的情況，在這些情況下，同樣的回答可以表達負面情緒。

 

• 比較

如何在情感分析中處理比較是另一個值得解決的難題。

第一次比較不需要任何上下文線索即可正確分類。很明顯，這是正面的。

不過，第二和第三文本有點難以分類。你會將它們歸類為中性、正面甚至負面嗎？同樣，語境也會產生影響。例如，如果第二個文本中的“舊工具”被認為是無用的，那么第二個文本與第三個文本非常相似。

 

• 表情符號

據研究，有兩種類型的表情符號。西方表情符號（例如:D）只用一兩個字符編碼，而東方表情符號（例如 ? \ （ツ） / ?）則是一個較長的豎排字符組合。表情符號在文本的情感表達中起著重要作用，尤其是在推文中。

在對推文進行情感分析時，需要特別注意字符級以及單詞級，可能還需要大量的預處理。例如，您可能希望預處理社交媒體內容，將西方和東方表情符號轉化為標記并將其列入白名單（即始終將它們作為分類目的的特征），以幫助提高情感分析性能。

 

• 定義中性

為了進行準確的情感分析，定義中性的含義是另一個需要解決的難題。與所有分類問題一樣，定義類別-在本例中定義中性標簽，是問題最重要的部分之一。在訓練情感分析模型時，中性、正面或負面的含義確實很重要。由于標記數據要求標記標準保持一致，因此必須對問題進行良好的定義。

以下是一些可幫助您識別和定義中性文本的想法：

1）客觀文本

所謂的客觀文本不包含明確的情緒，因此您應該將這些文本歸入中性類別。

 

2）無關信息

如果您尚未對數據預處理以過濾掉無關信息，則可以將其標記為中性。但要注意的是，只有當您知道這樣做會如何影響整體性能時，才能執行此操作。有時，您會給分類器添加噪音，導致性能變差。

 

3）包含愿望的文本

比如，“我希望產品有更多的集成”這種愿望通常是中性的。但是，像 "我希望產品更好 "這樣包含比較的愿望就很難歸類了。

 

• 人工注釋器準確性

平均而言，在情感分析方面，標注者之間的一致性（衡量兩個或更多人工標記者做出相同注釋決策的能力）非常低。由于機器是從標記的數據中學習的，情感分析分類器可能不如其他類型的分類器精確。

盡管情感分析預測并不那么準確，但情感分析依然值得我們付出努力。靈驗喵CEM的情感分析模型，可以讓您在提交文本進行分類時，大大提升情感分析預測的準確性。對于典型的使用案例，例如工單流轉、品牌監控和VoC分析，您將在繁瑣的人工上節省大量時間和資金。

內容參考：MonkeyLearn,Sentiment Analysis: A Definitive Guide