Skip to content
Kembali ke hasil pencarian

Analisis Sentimen — Penambangan Opini

Jenis
NLP text-classification task

Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris

Ukuran huruf

Apa fungsinya?

Analisis sentimen, juga disebut penambangan opini, adalah tugas pemrosesan bahasa alami yang mendeteksi nada emosional teks — biasanya mengklasifikasikannya sebagai positif, negatif, atau netral. Ini mengubah teks opini tidak terstruktur menjadi sinyal polaritas terstruktur yang dapat dikuantifikasi menggunakan salah satu dari tiga keluarga pendekatan: leksikon sentimen, pengklasifikasi pembelajaran mesin yang dilatih, atau model transformer pra-terlatih.

Intuisi di balik metode

Orang mengekspresikan opini dalam bahasa bebas, tetapi mesin tidak dapat membaca teks tersebut seperti manusia. Tujuannya adalah untuk mendeteksi opini atau polaritas yang mendasarinya dalam sebuah teks dan memberinya label. Alih-alih menilai setiap kalimat berdasarkan intuisi, metode ini menilai kata-kata — melalui kamus kata-kata bermuatan, pola statistik yang dipelajari dari contoh berlabel, atau konteks yang ditangkap oleh model bahasa — dan menetapkan label sentimen ke setiap dokumen.

Sejarah

Analisis sentimen tumbuh dari bidang penambangan opini yang lebih luas yang disurvei oleh Pang dan Lee (2008), yang mengkonsolidasikan tugas mengekstraksi opini dan polaritas dari teks. Bidang ini sejak itu bergerak dari metode berbasis kamus dan fitur menuju pengklasifikasi pembelajaran mesin dan, baru-baru ini, model transformer pra-terlatih yang menangkap konteks.

Kapan digunakan

Analisis sentimen cocok ketika Anda memiliki data teks untuk dikerjakan dan model bahasa atau leksikon yang cocok dengan bahasa teks tersebut. Korpus kecil dapat ditangani dengan leksikon sederhana, sementara korpus berlabel yang lebih besar mendukung pengklasifikasi terawasi atau transformer. Model terawasi khususnya membutuhkan kumpulan berlabel yang cukup besar dan seimbang; dengan sangat sedikit dokumen, metode berbasis leksikon adalah pilihan yang lebih aman. Jika tidak ada data teks sama sekali, analisis sentimen tidak dapat berjalan.

Batasan dan pertimbangan

  • Model terawasi membutuhkan korpus berlabel yang cukup besar dan seimbang untuk mempelajari pola yang andal.
  • Kinerja bergantung pada model bahasa atau leksikon yang cocok dengan bahasa korpus.
  • Sarkasme, negasi, dan pergeseran domain tetap sulit bagi setiap pendekatan.

Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.

Kelebihan

  • Fleksibel di berbagai pendekatan: leksikon sederhana bekerja pada korpus kecil, sementara transformer menangkap konteks pada korpus besar.
  • Mengubah teks opini tidak terstruktur menjadi sinyal polaritas terstruktur yang dapat dikuantifikasi.
  • Skala dari penilaian kamus cepat ke model bahasa yang sadar konteks tanpa mengubah alur kerja keseluruhan.

Penerapan

  • Menganalisis ulasan produk dan layanan untuk meringkas opini pelanggan.
  • Memantau posting media sosial untuk reaksi publik dan tren sentimen.
  • Pemantauan merek — melacak bagaimana persepsi organisasi atau produk dari waktu ke waktu.
  • Menjelajahi dan mengklasifikasikan korpus opini besar dalam penelitian operasi dan pemasaran.

Cara kerjanya

Cara kerjanya

1

Korpus mentah dibersihkan dan distandardisasi: teks diubah menjadi huruf kecil, kebisingan disingkirkan, konten dinormalisasi, dan dokumen disegmentasi (ditokenisasi) menjadi unit yang dapat dianalisis. Pra-pemrosesan yang konsisten membuat fitur hilir dapat dibandingkan di seluruh dokumen.

2

Teks yang dibersihkan dikonversi menjadi fitur yang dapat dikonsumsi oleh model. Bergantung pada pendekatannya, ini berarti pencarian leksikon sentimen, vektor TF-IDF, atau penyematan kontekstual — masing-masing mengubah kata menjadi angka yang membawa sinyal yang akan dibaca model.

3

Label polaritas ditetapkan ke setiap dokumen. Pendekatan berbasis leksikon menerapkan aturan kamus, pendekatan pembelajaran mesin menggunakan pengklasifikasi yang dilatih pada data berlabel, dan pendekatan berbasis transformer menerapkan model bahasa pra-terlatih yang menangkap konteks. Keluaran adalah label sentimen per dokumen.

4

Prediksi dinilai terhadap data berlabel menggunakan akurasi, F1, presisi, dan perolehan kembali, dan kesalahan klasifikasi diperiksa sebelum model digunakan. Langkah ini melindungi dari terlalu percaya pada model yang berkinerja buruk pada kelas tertentu.

Kesalahan umum

  • Sarkasme dan bahasa kiasan dapat membalikkan polaritas yang tampak, sehingga pembacaan harfiah salah memberi label pada teks.
  • Pergeseran domain — menerapkan model atau leksikon yang dibangun untuk satu domain atau bahasa ke domain atau bahasa lain — menurunkan akurasi; jangan menerapkan leksikon bahasa Inggris ke teks dalam bahasa lain.
  • Label yang tidak seimbang membuat akurasi menyesatkan; laporkan F1, presisi, dan perolehan kembali daripada akurasi saja.
  • Menjalankan pengklasifikasi terawasi pada terlalu sedikit dokumen (di bawah ~100) — kembali ke metode berbasis leksikon, dan jangan pernah melewatkan pra-pemrosesan atau token berisik akan menurunkan fitur.

Pertanyaan yang sering diajukan

Leksikon, pembelajaran mesin, atau transformer — pendekatan mana yang harus saya gunakan?

Pendekatan berbasis leksikon menerapkan kamus kata-kata yang mengandung sentimen dan bekerja dengan baik pada korpus kecil tanpa data berlabel. Pengklasifikasi pembelajaran mesin mempelajari pola dari set pelatihan berlabel dan beradaptasi dengan domain Anda. Model berbasis transformer menggunakan model bahasa pra-terlatih untuk menangkap konteks dan umumnya berkinerja terbaik pada korpus besar, dengan biaya komputasi yang lebih tinggi.

Seberapa akurat analisis sentimen?

Akurasi bervariasi dengan pendekatan, korpus, dan seberapa baik model cocok dengan teks. Evaluasi dengan akurasi, F1, presisi, dan perolehan kembali pada data berlabel yang ditahan; pada kelas yang tidak seimbang, akurasi saja bisa menyesatkan, jadi andalkan F1, presisi, dan perolehan kembali.

Bisakah ini bekerja dalam bahasa selain bahasa Inggris?

Ya, tetapi model bahasa atau leksikon yang dipilih harus cocok dengan bahasa target korpus. Menerapkan leksikon atau model bahasa Inggris ke teks dalam bahasa lain adalah penyebab umum hasil yang buruk.

Bagaimana negasi dan sarkasme ditangani?

Ini tetap menjadi kasus yang paling sulit. Negasi dapat membalikkan polaritas dan sarkasme dapat sepenuhnya membalikkan makna harfiah. Model transformer yang sadar konteks lebih baik daripada leksikon sederhana, tetapi tidak ada pendekatan yang menangani sarkasme secara andal, sehingga inspeksi kesalahan selama evaluasi penting.

Metode terkait

Sumber

  1. Pang, B. & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.

    Buka referensi DOI
    Disalin.