Skip to content
Torna ai risultati

Analisi del Sentimento — Estrazione di Opinioni

Tipo
NLP text-classification task

Questo testo è una traduzione automatica e non è ancora stato revisionato. Leggi l’originale in inglese

Dimensione del carattere

A cosa serve?

L'analisi del sentimento, detta anche estrazione di opinioni (opinion mining), è un compito di elaborazione del linguaggio naturale (NLP) che rileva il tono emotivo di un testo, tipicamente classificandolo come positivo, negativo o neutro.

Trasforma il testo di opinione non strutturato in segnali di polarità strutturati e quantificabili utilizzando uno dei tre approcci: lessici di sentimento, classificatori di machine learning addestrati o modelli transformer pre-addestrati.

L’intuizione alla base del metodo

Le persone esprimono opinioni in linguaggio libero, ma una macchina non può leggere quel testo come un essere umano. L'obiettivo dell'analisi del sentimento è rilevare l'opinione o la polarità sottostante in un testo e assegnargli un'etichetta. Invece di giudicare ogni frase per intuizione, il metodo valuta le parole — tramite dizionari di parole cariche di emotività, schemi statistici appresi da esempi etichettati, o contesto catturato da un modello linguistico — e assegna a ciascun documento un'etichetta di sentimento.

Storia

L'analisi del sentimento è emersa dal campo più ampio dell'estrazione di opinioni (opinion mining) esaminato da Pang e Lee (2008), che hanno consolidato il compito di estrarre opinioni e polarità dal testo. Il campo si è da allora spostato da metodi basati su dizionari e caratteristiche verso classificatori di machine learning e, più recentemente, modelli transformer pre-addestrati che catturano il contesto.

Quando usarlo

L'analisi del sentimento è adatta quando si dispone di dati testuali con cui lavorare e di un modello linguistico o di un lessico che corrisponda alla lingua di tale testo. Un piccolo corpus può essere gestito con un semplice lessico, mentre corpus etichettati più grandi supportano classificatori supervisionati o transformer. I modelli supervisionati in particolare necessitano di un set etichettato ragionevolmente ampio ed equilibrato; con pochissimi documenti, un metodo basato su lessico è la scelta più sicura. Se non ci sono affatto dati testuali, l'analisi del sentimento non può essere eseguita.

Limiti e considerazioni

  • I modelli supervisionati necessitano di un corpus etichettato sufficientemente ampio ed equilibrato per apprendere schemi affidabili.
  • Le prestazioni dipendono dal modello linguistico o dal lessico che corrisponde alla lingua del corpus.
  • Sarcasmo, negazione e spostamento di dominio rimangono difficili per ogni approccio.

Le condizioni della fonte non sostituiscono una revisione scientifica indipendente né la validazione da parte di un motore di analisi.

Punti di forza

  • Flessibile negli approcci: un semplice lessico funziona su piccoli corpus, mentre i transformer catturano il contesto in quelli grandi.
  • Trasforma il testo di opinione non strutturato in segnali di polarità strutturati e quantificabili.
  • Scala da una rapida valutazione tramite dizionario a modelli linguistici consapevoli del contesto senza modificare la pipeline generale.

Applicazioni

  • Analisi delle recensioni di prodotti e servizi per riassumere le opinioni dei clienti.
  • Monitoraggio dei post sui social media per reazioni pubbliche e tendenze di sentimento.
  • Monitoraggio del marchio — tracciamento di come un'organizzazione o un prodotto viene percepito nel tempo.
  • Esplorazione e classificazione di grandi corpus di opinioni nella ricerca operativa e di marketing.

Come funziona

Come funziona

1

Il corpus grezzo viene pulito e standardizzato: il testo viene convertito in minuscolo, il rumore viene rimosso, il contenuto viene normalizzato e i documenti vengono segmentati (tokenizzati) in unità analizzabili. Una pre-elaborazione coerente è ciò che mantiene le caratteristiche downstream comparabili tra i documenti.

2

Il testo pulito viene convertito in caratteristiche che un modello può consumare. A seconda dell'approccio, ciò significa ricerche in lessici di sentimento, vettori TF-IDF, o embedding contestuali — ognuno dei quali trasforma le parole in numeri che portano il segnale che il modello leggerà.

3

A ciascun documento viene assegnata un'etichetta di polarità. Un approccio basato su lessico applica regole del dizionario, un approccio di machine learning utilizza un classificatore addestrato su dati etichettati e un approccio basato su transformer applica un modello linguistico pre-addestrato che cattura il contesto. L'output è un'etichetta di sentimento per documento.

4

Le previsioni vengono valutate rispetto ai dati etichettati utilizzando accuratezza, F1, precisione e richiamo, e le errate classificazioni vengono ispezionate prima che il modello venga messo in uso. Questo passaggio protegge dall'eccessiva fiducia in un modello che si comporta male su determinate classi.

Errori comuni

  • Il sarcasmo e il linguaggio figurato possono invertire la polarità apparente, quindi una lettura letterale etichetta erroneamente il testo.
  • Lo spostamento di dominio — applicare un modello o un lessico costruito per un dominio o una lingua a un altro — degrada l'accuratezza; non applicare un lessico inglese a testi in un'altra lingua.
  • Etichette sbilanciate rendono l'accuratezza fuorviante; riportare F1, precisione e richiamo piuttosto che solo l'accuratezza.
  • Eseguire un classificatore supervisionato su troppi pochi documenti (meno di ~100) — ripiegare su un metodo basato su lessico, e non saltare mai la pre-elaborazione o i token rumorosi degraderanno le caratteristiche.

Domande frequenti

Lessico, machine learning o transformer — quale approccio dovrei usare?

Un approccio basato su lessico applica un dizionario di parole portatrici di sentimento e funziona bene su piccoli corpus senza dati etichettati. Un classificatore di machine learning apprende schemi da un set di addestramento etichettato e si adatta al tuo dominio. Un modello basato su transformer utilizza un modello linguistico pre-addestrato per catturare il contesto e generalmente offre le migliori prestazioni su grandi corpus, a costi computazionali più elevati.

Quanto è accurata l'analisi del sentimento?

L'accuratezza varia con l'approccio, il corpus e quanto bene il modello corrisponde al testo. Valutare con accuratezza, F1, precisione e richiamo su dati etichettati tenuti da parte; su classi sbilanciate, l'accuratezza da sola può essere fuorviante, quindi fare affidamento su F1, precisione e richiamo.

Può funzionare in lingue diverse dall'inglese?

Sì, ma il modello linguistico o il lessico scelto devono corrispondere alla lingua di destinazione del corpus. Applicare un lessico o un modello inglese a testi in un'altra lingua è una causa comune di scarsi risultati.

Come vengono gestiti negazione e sarcasmo?

Questi rimangono tra i casi più difficili. La negazione può invertire la polarità e il sarcasmo può invertire completamente il significato letterale. I modelli transformer consapevoli del contesto gestiscono meglio dei semplici lessici, ma nessun approccio gestisce il sarcasmo in modo affidabile, quindi l'ispezione degli errori durante la valutazione è importante.

Metodi correlati

Fonti

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

    Apri il riferimento DOI
    Copiato.