Sentiment analysis

Analisi e previsione dei sentimenti espressi nei dati di testo

La sentiment analysis è il processo di classificazione del testo identificando le soggettività ivi espresse. Per esempio, il testo può essere classificato come positivo, neutro o negativo; spesso può essere espresso con un punteggio che indica la forza del sentiment.

Esempi di sentiment analysis.

Esempi di sentiment analysis.

Applicazioni di sentiment analysis

La sentiment analysis è utilizzata in quasi tutti i settori per applicazioni come:

  • Identificazione di punti dolenti e lacune per una migliore progettazione di prodotti/processi utilizzando i punteggi del sentiment derivati da indagini su clienti e dai social media
  • Costruzione di un modello di selezione degli asset per il trading con i punteggi del sentiment di rapporti finanziari e articoli di giornale

Tecniche di sentiment analysis

La sentiment analysis utilizza l'analisi del testo, che combina l'elaborazione del linguaggio naturale con algoritmi di Machine Learning e Deep Learning per costruire modelli di classificazione e stimare i punteggi di sentiment. I due approcci più diffusi di sentiment analysis sono:

  • Utilizzo di un dizionario precostituito: Si può iniziare con un dizionario esistente che categorizza diverse parole in diverse polarità (come positiva/negativa), emozioni (come rabbia/tristezza/insoddisfazione) o in una scala numerica. Si può quindi costruire un modello di sentiment analysis utilizzando il dizionario, prevedere i sentimenti nelle singole parole del tuo testo e infine combinare i punteggi individuali in un punteggio complessivo di sentiment per il testo.
  • Utilizzo di documenti pre-etichettati: È anche possibile costruire un modello di sentiment analysis utilizzando tecniche di Deep Learning da un set di dati pre-etichettati che categorizza ogni documento (recensione, tweet o altri pezzi di testo) in diversi sentiment. Si può quindi utilizzare questo modello per prevedere il sentiment in un nuovo documento.
Sentiment Analysis

Lessico del sentiment in word cloud generate da report 10-K e 10-Q.

Per saperne di più su come importare, esplorare, visualizzare e costruire modelli con i dati di testo con la sentiment analysis, vedi Text Analytics Toolbox™.

Vedere anche: elaborazione del linguaggio naturale, text mining, Data Science, Machine Learning, Deep Learning, reti Long Short-Term Memory (LSTM), word2vec, N-gram