Utforska attitydanalys

  • 3 minuter

Attitydanalys är en viktig nlp-teknik (natural language processing) som gör att vi kan urskilja den känslomässiga ton eller attityd som uttrycks i textdata. Med maskininlärning och naturlig NLP syftar attitydanalys till att avgöra om åsikter, känslor, bedömningar, attityder och känslor som uttrycks i text förmedlar en positiv, negativ eller neutral attityd. Dessa funktioner gör det möjligt för program att förstå användarsentiment, övervaka varumärkesuppfattning och fatta välgrundade beslut baserat på textinnehåll.

Webb- och mobilapparna för Margie's Travel gör det möjligt för hyresgäster att skicka in recensioner som beskriver deras erfarenheter av att bo på fastigheter som anges i apparna. Texten i dessa recensioner innehåller värdefull information om hur kunden kände för fastigheten, dess värd och deras vistelse. Att förstå dessa känslor kan hjälpa Margie's Travel att bättre betjäna sina kunder och ge värdefull feedback till fastighetsägare och chefer.

Analysera sentiment med tillägget azure_ai

Tillägget azure_ai för Azure Database for PostgreSQL – flexibel server förlitar sig på integrering med Azure Language-tjänsten för att utföra attitydanalys. Funktionerna för attitydanalys i tillägget är tillgängliga med hjälp av funktionen analyze_sentiment() i azure_cognitive-schemat.

Den här metoden har tre överlagringar, så att du kan analysera sentimentet för en post i taget eller flera poster genom att skicka in en matris med värden som ska utvärderas. Med hjälp av parametern language kan du också ange på vilket av de 94 språk som stöds indatatexten skrivs.

Utdata från funktionen analyze_sentiment() är den sentiment_analysis_result sammansatta typen. Typens struktur är:

   Column       |   Type   
----------------+------------------
 sentiment      | text      
 positive_score | double precision
 neutral_score  | double precision
 negative_score | double precision

Den sammansatta typen innehåller attitydförutsägelserna för indatatexten. Den innehåller sentimentet, som kan vara positivt, negativt, neutralt eller blandat, och poängen för positiva, neutrala och negativa aspekter som finns i texten. Poängen representeras som verkliga tal mellan 0 och 1. I (neutralt, 0,26, 0,64, 0,09) är sentimentet till exempel neutralt, med ett positivt resultat på 0,26, neutralt 0,64 och negativt vid 0,09.

Funktionen tilldelar sentimentetiketter (positiva, negativa eller neutrala) till enskilda meningar eller hela dokument. Dessa etiketter anger den känslomässiga ton som uttrycks i texten. Den returnerar konfidenspoäng tillsammans med sentimentetiketterna, vilket representerar modellens förtroende för dess förutsägelser.

Fördelar med attitydanalys

  • Förstå kundfeedback: Analysera recensioner, inlägg på sociala medier, undersökningar osv.
  • Övervaka varumärkesrykte: Spåra sentimenttrender över tid.
  • Anpassa användarupplevelser: Anpassa innehåll baserat på användarsentiment.