با پیشرفت هوش مصنوعی و فراگیر شدن آن در عرصه‌های مختلف، شاهد عرضه اندام هوش مصنوعی در زندگی روزمره هستیم. یکی از کارایی‌های هوش مصنوعی در متن‌کاوی، تحلیل احساسات با هوش مصنوعی است.
تحلیل احساسات با هوش مصنوعی چیست؟
اگر ما بازخورد مشتری را به عنوان یک مثال در نظر بگیریم، تجزیه و تحلیل احساسات (نوعی تجزیه و تحلیل متنی)، نگرش مشتری را نسبت به جنبه‌های یک سرویس یا محصول می‌سنجد. تحلیل احساسات، معمولا شامل دریافت یک متن است؛ چه یک جمله باشد، چه یک کامنت باشد و چه یک سند کامل باشد. در نهایت یک امتیاز به عنوان خروجی به آن متن نسبت داده می‌شود که نشان می‌دهد آن دیدگاه تا چه حد مثبت یا منفی ارزیابی شده است.
برای مثال یک بازخورد منفی و مثبت را ملاحظه کنید:
- بازخورد مثبت: ;کافه‌ی فوق‌العاده‌ای بود. کارکنانش رفتار به شدت دوستانه‌ای داشتن و مزه قهوه‌شون هم خوب بود!
- بازخورد منفی: این کافی‌شاپ رو به هیچکس پیشنهاد نمی‌کنم. قهوه‌های اونا افتضاح و گرون هستن!
چرا به تحلیل احساسات با هوش مصنوعی احتیاج داریم؟
در محیط امروز که ما از سربار داده‌ها رنج می‌بریم (اگرچه این به معنای بینش بهتر یا عمیق‌تر نیست)، شرکت‌ها ممکن است کوهی از بازخورد از مشتریان خود داشته باشند. با این حال، برای انسان‌ها، تجزیه و تحلیل دستی این حجم از بازخورد بدون هیچ گونه خطا یا سوگیری، غیر ممکن است. اغلب اوقات، شرکت‌هایی با بهترین قصد و نگرش‌ها محصول خود را بدون بازخورد می‌یابند. شما می‌دانید که برای تصمیم‌گیری بهتر برای ادامه مسیر، به دیدگاه‌های مشتریان نیاز دارید و البته می‌دانید که گاهی اوقات با کمبود این دیدگاه‌ها مواجه هستید. اما نمی‌دانید چطور به آن‌ها دسترسی پیدا کنید.
استفاده از هوش مصنوعی برای تحلیل احساسات، پاسخ‌هایی را در مورد اینکه مهم‌ترین مسائل چه هستند، برای شما فراهم می‌کند. از آنجا که تحلیل احساسی می‌تواند خودکار صورت پذیرد، تصمیمات را می‌توان براساس حجم زیادی از داده‌ها به جای شهود ساده که همیشه درست نیست، اتخاذ کرد.
تجزیه و تحلیل مقادیر زیادی از داده بدون خطا غیر ممکن است.
این سناریو را تصور کنید: شما صاحب یک کسب‌وکار حمل و نقل کوچک هستید و ماهانه حدود ۲۰ پاسخ به نظرسنجی‌های ایمیل خود دریافت می‌کنید. شما می‌توانید (و باید) این موارد را خودتان بخوانید و تحلیل خود را با دست انجام دهید. اکنون تصور کنید که ماهانه ۳۰۰۰۰ پاسخ دریافت کنید. این بیش از هزار پاسخ در هر روز است! نیازی به گفتن نیست که انجام این کار به عنوان بخشی از کار روزانه مالک کسب‌وکار غیر ممکن است.
از این گذشته، مساله سوگیری نیز وجود دارد. همه ما با روزهایی آشنا هستیم که در آن اوضاع برایمان بد پیش می‌رود و حتی قبل از رسیدن به دفتر هم حال و هوای بدی داریم. ریسک اینکه شما پیام‌ها و هر نوع ارتباط را به طور منفی‌تری را تفسیر کنید، شایع است. همچنین ممکن است نظرات شخصی و از پیش درک شده خود را در مورد موضوع در دسترس داشته باشید. تمام این موارد می‌تواند بر نحوه تفسیر شما از متنی که می‌خواهید تحلیل کنید تاثیر بگذارد. همچنین باید بازخورد را به چند دیدگاه قابل اجرا خلاصه کنید، به طوری که استفاده از آن برای شرکت شما معنی‌دار باشد. در نهایت، دیدگاه‌ها باید به شکل قابل ارائه‌ای ترجمه شوند تا درک آن‌ها آسان باشد.
بنابراین، تحلیل احساسات مهم است زیرا شرکت‌ها می‌خواهند که برند آن‌ها به طور مثبت یا حداقل به طور مثبت‌تری نسبت به برند رقبا آرزیابی شود.
تجزیه و تحلیل احساسات با هوش مصنوعی برای چه چیزی استفاده می‌شود؟
کاربرد تحلیل احساسات با هوش مصنوعی این است که می‌توان به سرعت دیدگاه مناسبی را نسبت به حجم بزرگی از داده‌های متنی به دست آورد. تحلیل احساسات با هوش مصنوعی،علاوه بر تجزیه و تحلیل بازخورد مشتری، دو مورد استفاده دیگر نیز دارد:
یک مثال آن، شرکت‌های تجارت سهام هستند که برخی از موقعیت‌های خرید یا فروش سهام خود را بر اساس اخباری که از اینترنت دریافت می‌کنند، انجام می‌دهند. در اینجا، الگوریتم‌های تحلیل احساسات می‌توانند شرکت‌های خاصی را شناسایی کنند که احساسات مثبتی نسبت به آن‌ها در مقالات خبری وجود دارد. بنابراین، آگاهی از این اخبار می‌تواند به معنای یک فرصت مالی فوق‌العاده باشد، زیرا ممکن است مردم را برای خرید بیشتر سهام یک شرکت تحریک کند. دسترسی به این نوع داده‌ها به معامله‌گران فرصت می‌دهد تا قبل از واکنش بازار برای خرید سهام مورد نظر تصمیم‌گیری کنند.
در زیر مثالی از این که چگونه قیمت سهام یک شرکت می‌تواند تحت‌تاثیر اخبار قرار گیرد آورده شده است. احساسات بیان شده در اخبار باعث ایجاد یک الگوریتم تجارت سهام برای خرید سهام قبل از افزایش قیمت در آن می‌شود.
یکی دیگر از کاربردهای آنالیز احساسات، نظارت و سنجش احساسات برای پست‌های رسانه اجتماعی است. در طول اعلام برکسیت، یک ابزار تحلیل احساسات رسانه‌های اجتماعی پیش‌بینی کرد که احتمالا کسانی که رای به ماندن بریتانیا در اتحادیه اروپا می‌دهند، درست مثل شش ساعت قبل از اعلام خبر نتایج نهایی، در اقلیت هستند. (تصویر از DMNews)
بهبود بخشیدن به تجربه مشتری
تحلیل احساسات می‌تواند برای بررسی کلمه به کلمه‌ی بازخورد مشتریانی مورد استفاده قرار گیرد که احساسات نهفته در پس آن‌ها به شدت منفی هستند. به همین ترتیب، می‌توانیم نظرات مثبت مشتریان را نیز بررسی کنیم تا بفهمیم چرا این دسته از مشتریان از محصولات یا خدمات راضی بوده‌اند. پس از بررسی نظرات مشتریان و مطلع شدن از نکات مثبت و منفی که به نظر آن‌ها آمده است، می‌توان تصمیمات بهتری در مورد ترویج محصول یا خدمات اتخاذ کرد.
هنگامی که تحلیل احساسات با هوش مصنوعی در ترکیب با تحلیل موضوعی استفاده شود، می‌توانیم اطلاعات به دست آمده را محدود کنیم تا به طور دقیق بفهمیم که دقیقا در مورد چه موضوعاتی با احساسات مثبت یا منفی صحبت می‌شود.
دو روش اساسی برای تحلیل احساسات با هوش مصنوعی
۱. تحلیل احساسات مبتنی بر قواعد (Rule-based sentiment analysis)
تکنیک اول مبتنی بر قواعد است و از یک فرهنگ لغت با برچسب احساس برای تعیین احساسات یک جمله استفاده می‌کند. نمرات احساسی معمولا باید با قوانین اضافی ترکیب شوند تا نمرات جملاتی که شامل نفی، طعنه و یا جمله‌واره‌های وابسته هستند، کاهش یابد. به عنوان مثال به جدول زیر توجه کنید.
| Sentiment | Word |
| ۰.۵ | good |
| ۰.۸ | great |
| ۰.۸- | terrible |
| ۰.۱ | alright |
علامت مثبت به معنای امتیاز مثبت و علامت منفی به عنوان امتیاز منفی در نظر گرفته می‌شود.
۲. تحلیل احساسی مبتنی بر یادگیری ماشین (Machine Learning based sentiment analysis)
در اینجا، ما یک مدل یادگیری ماشین را برای تشخیص احساسات آموزش می‌دهیم که بر اساس کلمات و ترتیب آن‌ها و با استفاده از یک ست آموزشی با برچسب احساسی کار می‌کند. این رویکرد تا حد زیادی به نوع الگوریتم و کیفیت داده‌های مورد استفاده برای آموزش بستگی دارد.
بیایید دوباره به مثال تجارت سهام که در بالا ذکر شد نگاهی بیندازیم. ما عناوین خبری را در نظر می‌گیریم، و آن‌ها را به خطوط مربوط به شرکت خاصی که به آن علاقه داریم محدود می‌کنیم (اغلب توسط یکی دیگر از تکنیک‌های NLP، به نام Named Entity Recognition) و سپس جهت‌گیری احساسات نهفته در پس متن را اندازه‌گیری می‌کنیم.
یک راه برای تطبیق این رویکرد با دیگر مسائل، سنجش نوع احساسات از ابعادی دیگر است. شما می‌توانید به احساسات خاصی توجه کنید. مثلا این را بررسی کنید که زمانی که فرد در حال نوشتن متن بوده است، چقدر عصبانی بوده است؟ یا اینکه چقدر ترس در متن منتقل می‌شود؟
مزایای استفاده از تحلیل احساسات با هوش مصنوعی چیست؟
با استفاده از تحلیل احساسات، شما میزان احساسی که مشتریان درباره حوزه‌های مختلف کسب‌وکار شما دارند را بدون نیاز به خواندن هزاران نظر مشتری در یک زمان اندازه‌گیری می‌کنید. اگر شما هزاران بازخورد در ماه داشته باشید، غیر ممکن است که یک نفر بتواند تمام این پاسخ‌ها را بخواند. با استفاده از تحلیل احساسی و خودکار کردن این فرآیند، شما می‌توانید به راحتی در بخش‌های مختلف مربوط به مشتری در کسب‌وکار خود وارد شوید و درک بهتری از احساسات مشتریان در این بخش‌ها به دست آورید.
معایب استفاده از تحلیل احساسی
در حالی که تحلیل احساسی مفید است، اما همچنان جایگزین کاملی برای خواندن نظرات مشتریان و بررسی نظرسنجی‌ها نیست. گاهی اوقات، نکات دقیق، ظریف و مفیدی در نظرات وجود دارد. در واقع می‌توان گفت اگر تحلیل احساسی بتواند به شما کمک کند که دقیقا باید کدام نظرات را مطالعه کنید، نکات ظریفی که از دید هوش مصنوعی پنهان مانده‌اند نیز توسط خود شما در نظر گرفته خواهند شد.
تحلیل احساسات با هوش مصنوعی چگونه کار می‌کند؟
تجزیه و تحلیل احساسات به روش سنتی به این صورت است که از فرهنگ‌های لغت مرجع برای تشخیص امتیاز کلمات و سپس محاسبه میانگین این نمرات به عنوان نمره احساسی یک متن است.
سپس از یک مدل ماشین لرنینگ ساده برای طبقه‌بندی استفاده می‌شود. این کار با تشخیص برخی ویژگی‌ها (features) از متن و سپس استفاده از این ویژگی‌ها برای پیش‌بینی یک برچسب انجام می‌شود. مثالی از ایجاد ویژگی، تقسیم کردن متن به کلمات و سپس استفاده از این کلمات و فرکانس‌های آن‌ها در متن به عنوان ویژگی است.
استفاده از یادگیری ماشین برای ارزیابی این که کلمات مثبت یا منفی به چه شکل هستند
«برچسب» معیاری از این است که احساسات تا چه حد مثبت یا منفی هستند. پس از مشخص شدن مسئله، از تکنیک‌های بهینه‌سازی ریاضی برای ایجاد یک مدل استفاده می‌شود. تفاوت کلیدی یادگیری ماشین این است که به جای بررسی کردن اطلاعات کلمات یا ویژگی‌ها در دیکشنری‌ها، مشخص می‌کند که آن‌ها چه حد مثبت یا منفی هستند.
تکنیک‌های سنتی یادگیری ماشین قادر به به دست آوردن نتایج منطقی‌ای هستند، اما مشکلاتی مانند نیاز به کار دستی در ایجاد ویژگی‌ها را نیز دارا هستند. آن‌ها همچنین راه‌حل خوبی برای در نظر گرفتن ترتیب کلمات ندارند. این مشکلات توسط خانواده تکنیک‌های ماشین لرنینگ معروف به «یادگیری عمیق» مورد بررسی قرار گرفته‌اند.
انواع مختلف تکنیک‌های یادگیری عمیق
تکنیک‌های یادگیری عمیق به عنوان شبکه‌های عصبی مصنوعی نیز شناخته می‌شوند. این تکنیک‌ها در چند سال اخیر پیشرفت‌های زیادی در حوزه پردازش زبان‌های طبیعی (Natural language processing) داشته‌اند.
در سال‌ها اخیر یک مدل خاص به نام LSTM یا Long Short-Term Memor، در بیشتر امور مربوط به NLP برای رسیدن به پیشرفته‌ترین نتایج حاضر بوده است. روش LSTM متن را با یک ترتیب منطقی می‌خواند و اطلاعات مرتبط با کاری که در حال انجام است را ذخیره می‌کند.
در LSTM سلول‌هایی وجود دارند که اطلاعاتی که به حفظ شده و اطلاعاتی که از یاد برده شده‌اند را کنترل می‌کنند. در حوزه تحلیل احساسی، نفی بسیار مهم است. به عنوان مثال، تفاوت بین «Great» و «Not great» حائز اهمیت است. یک LSTM که برای پیش‌بینی احساسات آموزش دیده است، یاد می‌گیرد که نفی مهم است و در درک اینکه چه کلماتی باید نفی شوند، خوب عمل می‌کند. LSTM می‌تواند با خواندن متون بسیار قواعد دستور زبان را فرا گیرد.
ساختارهای یادگیری عمیق به وسیله‌ی نوآوری‌هایی مانند سیستم عصبی حسی که یک سیستم بدون نظارت است (سیستمی که نیازی به داده‌های آموزشی علامت‌گذاری شده ندارد) و توسط OpenAI توسعه داده می‌شود، به پیشرفت خود ادامه می‌دهند. گوگل نیز Transformer را توسعه داده است و اخیرا «پیش آموزش» (پیش آموزش جایی است که شما یک مدل را در یک کار متفاوت، قبل از تنظیم دقیق با نیاز خودتان با مجموعه داده‌های تخصصی خود آموزش می‌دهید) را با تکنیکی به نام BERT به آن اضافه کرده که به نتایج خارق‌العاده‌ای نیز دست یافته است.
نمونه‌ای از تحلیل احساسات توسط open.ai
چگونه از تحلیل احساسی برای بررسی بازخورد مشتری استفاده کنیم؟
اگر نمرات تحلیل احساسی را داشته باشید با آن‌ها چه می‌کنید؟ ساده‌ترین کار این است که شدت احساسات را در میان هر یک از پاسخ‌های خود اندازه‌گیری کنید و میانگین را به عنوان معیاری از احساسات کلی نسبت به سرویس یا محصول خود در نظر بگیرید. از اینجا می‌توانید به بخش‌بندی داده‌ها و مقایسه بخش‌های مختلف توجه کنید. به عنوان مثال، اگر کسب‌وکار شما در مکان‌های مختلف فعالیت می‌کند، و یا اطلاعات جمعیتی دارید، می‌توانید از آن‌ها برای بخش‌بندی مشتریان استفاده کنید.
