情緒分析

情緒分析是人工智慧（AI） 內的技術，運用機器學習和自然語言處理能力來解讀和分析語氣。識別文字是否具有正、負或中立的音調，可以加快對大型文字資料集的分析，並實現非常高效的概述。

什麼是情緒分析？

情緒分析定義：情緒分析是機器分析和解讀文字作者態度的能力。

當人類寫字時，我們會灌輸有意義的內容，包括當時感受到的情緒和情感。雖然語氣的細微差別可能相當微妙，但可以被其他人類解讀，但機器傳統上難以完成這項任務。

情緒分析透過提供對文字資料的情緒基調的寶貴見解，來緩解這一挑戰。這是分析大量文字以判斷基礎情緒的運算流程。通常，這種情緒被歸類為負面、中性或正面。

情緒分析如何運作？

情緒分析是自然語言處理（NLP）的子集，能夠辨別語氣、態度和情緒。NLP 技術使電腦能夠處理和理解文字或語音形式的人類語言。利用此功能，可以訓練機器識別並從文字中擷取情緒。

情緒分析流程從預處理開始。在此階段，電腦系統會識別輸入文字中的關鍵字。此流程包含三個核心步驟：

• 分詞將句子拆分成不同的元素，例如單字和片語。
• 詞形還原將詞形變化和衍生詞還原為詞根形式。
• 停用詞移除可篩選填充詞，只留下必要的詞彙。

預處理完成後，混合式方法可使用或結合兩種不同的情緒分析方法：

• 基於規則的情緒分析透過一組預先定義的關鍵字和短語來訓練電腦，從而指示作者的意圖。然後將此訓練套用至全文。例如，積極的語言關鍵字可以是「令人愉快」、「高效」或「良好的服務」，而消極的語言關鍵字可能包括「價格過高」、「訓練不足」或「慢」。
  通過有效的培訓，電腦可以識別詞語和短語，以識別文本的情緒並推斷其整體態度。
  基於規則的情緒分析更快，根據預先定義的規則提供高效的輸出。
• 機器學習情緒分析可能需要更長的時間，因為其涉及使用演算法來訓練機器，以及分析詞彙和句子結構來感測基礎情緒。與規則式模型不同，機器學習模型會隨著時間從流程和發現中學習而改善。
  機器學習情緒分析更適應複雜的資料集和需求，使其成為更靈活和強大的技術版本。
• 混合式方法採取兩種方法的最佳層面。它需要規則式情緒分析的速度，並新增更可調整的機器學習情緒分析準確輸出。然而，更高的準確性和速度確實會增加資源成本，因為混合式情緒分析需要更多的技術容量，例如更快的系統和更多的電腦記憶體。

情緒分析的歷史為何？

雖然情緒分析是自然語言處理的子集，但其發展在過去幾十年來同時受到語言理論和技術進步的影響。

• 1900 年代，早期起源：在 20 世紀初，語言專家開始探索語言的情感和主觀方面，透過檢查語言如何傳達情感和意見，為情緒分析奠定基礎。
• 1950 年代，AI 的開端：情緒分析的理論基礎與 AI 的早期發展同時建立。研究人員開始思考機器如何解讀文字中所表達的人類情緒和意見。
• 1960 年代，早期電腦語言：像 ELIZA 這類可以模擬對話的早期程式設計語言和系統的發展，標誌著透過處理文字資料進行自動化情緒分析的初始步驟。
• 1980 年代，規則式方法：早期情緒分析系統依賴手動製作的規則和詞典來識別和分類文字中的情緒。這些系統受限於其對預先定義規則和詞彙的依賴。
• 90 年代，統計方法：允許引入統計方法和機器學習演算法，以進行更複雜的情緒分析。研究人員開始使用大型資料集來訓練能夠自動偵測情緒模式的模型。
• 2000 年代，社群媒體崛起：社群媒體平台的爆炸性成長提供了大量的使用者生成內容，推動了情緒分析的進步。支援向量機器（SVM）和原始 Bayes 分類器等技術，在分析社交媒體貼文中的情緒時越來越受歡迎。
• 2010 年代，深度學習：深度學習的出現，特別是隨著遞歸神經網路（RNN）和卷積神經網路（CNN）的發展，情緒分析也徹底改變。像 BERT 和 GPT-2 這樣的模型，可大幅改善情緒偵測的準確性和細微程度。
• 2020 年代，多模態情緒分析：近期的進步專注於整合多種資料類型，例如文字、影像和音訊，以增強情緒分析。這種多模態方法讓各種媒體的情緒偵測更加全面和準確。

情緒分析的關鍵類型是什麼？

所有形式的情緒分析都遵循相同的測量語氣原則。然而，這些資料的應用方式和結果呈現方式，在不同類型的情緒分析之間有所不同。

• 情緒辨識是情緒分析的進階形式。它不單純判斷正面、負面或中性色調，而是偵測文字中的特定情緒。例如，在分析客戶評論以識別如幸福、憤怒或悲傷等情緒時，「我喜歡新功能！」 會被標記為表達幸福
• 意圖分析將文字語調和情緒應用於業務內容，試圖瞭解作者在決策和轉換過程中的位置。例如，在評估客戶回饋以判斷使用者是否已準備好購買或只是收集資訊時，「我需要更多關於保固的詳細資訊」的片語表示在決定之前想要收集資訊。
• 分級情緒分析也稱為細粒情緒分析，可加深情緒量表，超越負面、正面和中性，為細微的解釋增加更多空間。例如，使用五星級評級系統來獲取不同程度的滿意度，評論中說：「產品很好，但可能更好」可能被評為 5 顆星中的 3 顆星。
• 觀點層級的情緒分析是一種進階觀點分析形式，可在更細微的層級上評估情緒。透過隔離和分析文字的特定方面，它可以更全面和仔細地理解情緒。例如，在分析餐廳評論以單獨評估食物品質、服務和氣氛的情緒時，「食物很好，但服務緩慢」的片語會捕捉到食物的正面情緒和服務的負面情緒。
• 多語言情緒分析是一種更複雜的情緒分析應用，可辨識多種語言表達的情緒。例如，在分析多種語言的社群媒體貼文以了解全球客戶情緒時，可能會從英文、西班牙文和中文貼文中識別出對產品的正面情緒。

如何使用情緒分析？

它可以應用於各種產業和業務類型，以在處理大型文字資料集時最大化效率。透過提供文字文件的概觀，可節省大量時間，並提高企業對其地位的一般理解。

情緒分析技術的一個使用案例是透過評論和線上貼文來衡量品牌的聲譽。透過對評論、社群媒體片段和網路文章的大型資料集進行情感分析，企業可以獲得顧客和客戶如何看待它的快照。

情緒分析也改善了客戶支援。自然語言處理可產生文字回應，為各行各業的線上客戶支援，而情緒分析則強化了這項技術，以提供更個人化、更準確的回應。透過獲取正確的資訊並配合語氣，可以建立客戶與企業之間的信任。

企業也可以利用情緒分析來識別產業趨勢、發現成長機會或監控競爭對手的績效，藉此進行市場調查。透過分析各種最新的文字文章和片段，企業可以保持領先地位。