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.

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.

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