作者 | CDA數據分析師

情感分析是文本的語義挖掘，可識別和提取原始文本材料中的主觀信息，并幫助企業在監控在線對話的同時了解其品牌，產品或服務的社會情緒。但是，對社交媒體流的分析通常僅限于基本的情緒分析和基于計數的指標。這就好比僅僅是在表面劃過，而錯過了那些等待被發現的高價值見解。那么，一個品牌應該怎么做才能抓住那些容易獲得的，同時價值比較高的見解呢？

隨著深度學習的發展，算法分析文本的能力已經有了很大的提高。創造性地運用先進的人工智能技術是進行深入研究的有效工具。我們相信，根據以下內容對客戶關于品牌的討論進行分類非常重要：

• 客戶關注的品牌產品和服務的關鍵方面。
• 用戶對這些方面的潛在意圖和反應。

這些基本概念在結合使用時，就成為一個非常重要的工具，可以準確地分析數百萬次品牌討論信息。在帖子中，我們以Uber為例，演示其工作原理。請繼續閱讀！

文本分類器-基本構建塊

情緒分析

情緒分析是最常見的文本分類工具，它可以分析傳入的消息并判斷潛在的情緒是正面的，還是負面的，還是中立的。您可以在此處輸入一個您選擇的句子，并通過演示來判斷潛在的情緒。

意圖分析

意圖分析通過分析消息背后的用戶意圖，并確定其是否涉及意見，新聞，營銷，投訴，建議，欣賞或查詢，從而來提升客戶服務的質量。

上下文語義搜索（CSS）

現在事情變得很有趣了。想要獲得可行的結論見解，了解用戶在討論品牌的哪個方面是很重要的。例如：亞馬遜希望隔離與以下內容相關的消息：延遲交貨，賬單問題，促銷相關的查詢，產品評論等。另一方面，星巴克希望基于信息是否與員工行為，新咖啡口味，衛生反饋，在線訂單，商店名稱和位置相關等進行分類。但是，如何做到這一點呢？

我們介紹了一種智能搜索算法，稱為 上下文語義搜索（CSS）。CSS的工作方式是將數千條消息和一個概念（例如 Price）作為輸入，并過濾與給定概念緊密匹配的所有消息。下面所示的圖形展示了CSS如何對業界所使用的現有方法的改進。

過濾所有與Price相關的消息的常規方法是對Price和其他緊密相關的單詞（例如:price，change，$，paid）進行關鍵字搜索 。但是，這種方法不是很有效，因為幾乎不可能想到所有相關的關鍵字，以及表示特定概念的變體。另一方面，CSS只是將概念名稱（Price）作為輸入，即使未提及概念關鍵字的明顯變體，也可以過濾所有上下文相似的內容。

對于好奇的讀者，我們想看看這是如何工作的。AI技術用于將每個單詞轉換為超空間中的特定點，這些點之間的距離用于識別上下文與我們正在探索的概念相似的信息。下面的圖片展示了它的可視化效果：

下面來看一下CSS的實際應用，以及它是如何在以下示例中處理與Uber相關的評論的：

同樣的，請看下面這條博文：

Flat rate was the best thing that happened this year. @uberbring it back!!!! #MakeUberGreatAgain

— A Boogie (@Finessenomics) March 3, 2017

在以上兩種情況下， 即使這些消息中未提及Price一詞 ，該算法也將這些消息分類為與Price相關的上下文。

Uber：深入分析

優步是全球市值最高的初創企業，一直是共享經濟的先驅。Uber在全球500多個城市開展業務，并為龐大的用戶群提供服務，因此得到了用戶的大量反饋，建議和投訴。通常，社交媒體是記錄此類問題的首選。大量的輸入數據使分析，分類和產生結論性見解成為一項具有挑戰性的任務。

我們分析了數字媒體上有關幾個產品主題的在線評論： 取消，付款，價格，安全和服務。

為了廣泛覆蓋數據源，我們從Uber官方Facebook頁面上的最新評論中收集了數據，這些推文中提到了Uber和有關Uber的最新新聞。以下是所有渠道上的數據點分布：

• Facebook： 34,173 條評論
• Twitter： 21,603 條推文
• News： 4,245 篇文章

分析用戶評論的情緒可以使您對整體品牌的認知有一個了解。但是，要進行更深入的研究，借助上下文語義搜索對數據進行進一步分類是很重要的。

我們在同一個數據集上運行了上下文語義搜索算法，并考慮了上述的類別（取消，付款，價格，安全性和服務）。

FACEBOOK

情緒分析

值得注意的是，只有Price相關的正面評論數量超過負面評論 ，與其他所有類別相關的評論主要是負面情緒。為了深入研究，我們分析了這些評論的意圖。Facebook是一個社交平臺，評論充斥著隨機內容，新聞分享，營銷和促銷內容以及垃圾郵件/無關內容。我們來看一下Facebook評論上的意圖分析：

因此，我們刪除了所有這些不相關的意圖類別，并重新生成了結果：

每個類別的情感都有明顯的變化。特別是在Price相關評論中，正面評論的數量從46％下降到了29％。

這使我們了解了CSS如何從數字媒體中產生深入的見解。因此，一個品牌可以分析這樣的推文并從它們的積極點上或者從消極方面獲得產品或業務的反饋。

TWITTER

情緒分析

對獲得的推文也進行了類似的分析。 在最初的分析中， 與Payment和 Safety相關的推文情緒比較復雜。

要了解真實的用戶意見，投訴和建議，我們必須再次過濾不相關的Tweets（垃圾郵件，垃圾郵件，市場營銷，新聞和隨機信息）：

與 Payment 相關的正面推文數量顯著減少 。此外， Safety 類別（以及相關關鍵字）的正面推文數量也大幅下降 。

此外，Cancel，Payment和Service（以及相關詞）是Twitter評論中談論最多的話題。似乎人們談論最多的是司機取消乘車以及向他們收取的取消費?？纯催@個推文：

I still haven’t heard from you about you charging me a cancellation fee for the driver cancelling my ride!

— Anagh Padmanabhan (@anagh) March 2, 2017

像Uber這樣的品牌可以依靠這種分析方法，并根據最關鍵的話題采取行動。例如， 與 Service 相關的推文所載的正向推文所占的百分比最低，而負向的推文所占的百分比最高。因此，Uber可以分析此類推文并對其采取行動以提高服務質量。

NEWS

可以理解，安全一直是新聞中談論最多的話題。有趣的是，在每個類別中，新聞情緒總體上都是正面的，個體上都是積極的。

我們也根據新聞的受歡迎程度對新聞進行分類。受歡迎程度的得分歸因于該文章在不同社交媒體渠道上的占有率。以下是最熱門的新聞列表：

• 被批評之后，優步首席執行官離開特朗普咨詢委員會
• DeleteUber：用戶對特朗普穆斯林禁令報廢這一應用感到憤怒
• 優步員工也討厭自己的企業文化
• 每次乘坐優步，我們都會傳播其社會危害
• 司機在抗議和罷工中前往肯尼迪國際機場后，憤怒的客戶刪除Uber應用

結論

隨著技術的進步，從社交媒體數據中獲取有意義的反饋的時代已經到來。Uber案例研究讓我們了解了上下文語義搜索算法的功能?，F在該是您的組織超越總體情緒和基于計數的指標的時候了。許多公司一直在利用數據去獲取一些業務信息，但是想要獲得最深入的信息，您必須利用AI，深度學習和智能分類器（如上下文語義搜索和情感分析）的力量。