การวิเคราะห์ความรู้สึก — การทำเหมืองความคิดเห็น
- ประเภท
- NLP text-classification task
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์ความรู้สึก หรือที่เรียกว่า การทำเหมืองความคิดเห็น (opinion mining) เป็นภารกิจหนึ่งของการประมวลผลภาษาธรรมชาติ (natural language processing) ที่ตรวจจับน้ำเสียงทางอารมณ์ของข้อความ โดยทั่วไปจะจำแนกเป็นเชิงบวก เชิงลบ หรือเป็นกลาง การวิเคราะห์นี้จะเปลี่ยนข้อความความคิดเห็นที่ไม่มีโครงสร้างให้เป็นสัญญาณขั้วทางอารมณ์ที่มีโครงสร้างและวัดปริมาณได้ โดยใช้วิธีการใดวิธีการหนึ่งในสามกลุ่ม ได้แก่ พจนานุกรมความรู้สึก (sentiment lexicons) ตัวจำแนกประเภทที่เรียนรู้ด้วยเครื่อง (trained machine-learning classifiers) หรือแบบจำลองหม้อแปลงไฟฟ้าที่ผ่านการฝึกอบรมล่วงหน้า (pretrained transformer models)
แนวคิดเบื้องหลังวิธีการ
ผู้คนแสดงความคิดเห็นในภาษาอิสระ แต่เครื่องจักรไม่สามารถอ่านข้อความนั้นได้เหมือนที่มนุษย์ทำ เป้าหมายของการวิเคราะห์ความรู้สึกคือการตรวจจับความคิดเห็นหรือขั้วทางอารมณ์ที่ซ่อนอยู่ในข้อความและติดป้ายกำกับให้ แทนที่จะตัดสินแต่ละประโยคด้วยสัญชาตญาณ วิธีการนี้จะให้คะแนนคำพูด — ผ่านพจนานุกรมของคำที่มีความหมายทางอารมณ์ รูปแบบทางสถิติที่เรียนรู้จากตัวอย่างที่มีป้ายกำกับ หรือบริบทที่จับได้โดยแบบจำลองภาษา — และกำหนดป้ายกำกับความรู้สึกให้กับเอกสารแต่ละฉบับ
ประวัติศาสตร์
การวิเคราะห์ความรู้สึกเติบโตมาจากสาขาที่กว้างขึ้นของการทำเหมืองความคิดเห็นที่สำรวจโดย Pang and Lee (2008) ซึ่งได้รวมภารกิจของการสกัดความคิดเห็นและขั้วทางอารมณ์จากข้อความ ตั้งแต่นั้นมา สาขานี้ได้เปลี่ยนจากวิธีการที่ใช้พจนานุกรมและคุณลักษณะไปสู่ตัวจำแนกประเภทการเรียนรู้ด้วยเครื่อง และเมื่อเร็วๆ นี้ แบบจำลองหม้อแปลงไฟฟ้าที่ผ่านการฝึกอบรมล่วงหน้าซึ่งจับบริบทได้
ควรใช้เมื่อใด
การวิเคราะห์ความรู้สึกเหมาะสมเมื่อคุณมีข้อมูลข้อความที่ต้องทำงานด้วย และมีแบบจำลองภาษาหรือพจนานุกรมที่ตรงกับภาษาของข้อความนั้น คลังข้อมูลขนาดเล็กสามารถจัดการได้ด้วยพจนานุกรมอย่างง่าย ในขณะที่คลังข้อมูลขนาดใหญ่ที่มีป้ายกำกับรองรับตัวจำแนกประเภทแบบมีผู้สอน (supervised classifiers) หรือหม้อแปลงไฟฟ้า แบบจำลองแบบมีผู้สอนโดยเฉพาะอย่างยิ่งต้องการชุดข้อมูลที่มีป้ายกำกับขนาดใหญ่และสมดุลพอสมควร หากมีเอกสารน้อยมาก วิธีการที่ใช้พจนานุกรมเป็นทางเลือกที่ปลอดภัยกว่า หากไม่มีข้อมูลข้อความเลย การวิเคราะห์ความรู้สึกก็ไม่สามารถทำงานได้
ข้อจำกัดและข้อควรพิจารณา
- แบบจำลองแบบมีผู้สอนต้องการคลังข้อมูลที่มีป้ายกำกับขนาดใหญ่และสมดุลเพียงพอเพื่อเรียนรู้รูปแบบที่เชื่อถือได้
- ประสิทธิภาพขึ้นอยู่กับแบบจำลองภาษาหรือพจนานุกรมที่ตรงกับภาษาของคลังข้อมูล
- การประชดประชัน การปฏิเสธ และการเปลี่ยนแปลงโดเมนยังคงเป็นเรื่องยากสำหรับทุกวิธีการ
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- มีความยืดหยุ่นในวิธีการ: พจนานุกรมอย่างง่ายใช้ได้กับคลังข้อมูลขนาดเล็ก ในขณะที่หม้อแปลงไฟฟ้าจับบริบทในคลังข้อมูลขนาดใหญ่
- เปลี่ยนข้อความความคิดเห็นที่ไม่มีโครงสร้างให้เป็นสัญญาณขั้วทางอารมณ์ที่มีโครงสร้างและวัดปริมาณได้
- ปรับขนาดได้ตั้งแต่การให้คะแนนพจนานุกรมอย่างรวดเร็วไปจนถึงแบบจำลองภาษาที่รับรู้บริบทโดยไม่ต้องเปลี่ยนไปป์ไลน์โดยรวม
การประยุกต์ใช้
- การวิเคราะห์รีวิวผลิตภัณฑ์และบริการเพื่อสรุปความคิดเห็นของลูกค้า
- การตรวจสอบโพสต์บนโซเชียลมีเดียสำหรับปฏิกิริยาของสาธารณะและแนวโน้มความรู้สึก
- การตรวจสอบแบรนด์ — การติดตามว่าองค์กรหรือผลิตภัณฑ์ถูกรับรู้เมื่อเวลาผ่านไปอย่างไร
- การสำรวจและจำแนกคลังข้อมูลความคิดเห็นขนาดใหญ่ในการวิจัยการดำเนินงานและการตลาด
วิธีการทำงาน
วิธีการทำงาน
คลังข้อมูลดิบจะถูกทำความสะอาดและจัดมาตรฐาน: ข้อความจะถูกแปลงเป็นตัวพิมพ์เล็ก, ข้อมูลรบกวนจะถูกกำจัด, เนื้อหาจะถูกทำให้เป็นมาตรฐาน, และเอกสารจะถูกแบ่งส่วน (tokenised) ออกเป็นหน่วยที่สามารถวิเคราะห์ได้ การประมวลผลล่วงหน้าที่สอดคล้องกันเป็นสิ่งที่ทำให้คุณลักษณะปลายน้ำสามารถเปรียบเทียบกันได้ในเอกสารต่างๆ
ข้อความที่ทำความสะอาดแล้วจะถูกแปลงเป็นคุณลักษณะที่แบบจำลองสามารถนำไปใช้ได้ ขึ้นอยู่กับวิธีการ ซึ่งหมายถึงการค้นหาในพจนานุกรมความรู้สึก, เวกเตอร์ TF-IDF, หรือการฝังบริบท (contextual embeddings) — โดยแต่ละวิธีจะเปลี่ยนคำให้เป็นตัวเลขที่ส่งสัญญาณที่แบบจำลองจะอ่าน
ป้ายกำกับขั้วทางอารมณ์จะถูกกำหนดให้กับเอกสารแต่ละฉบับ วิธีการที่ใช้พจนานุกรมจะใช้กฎพจนานุกรม วิธีการเรียนรู้ด้วยเครื่องจะใช้ตัวจำแนกประเภทที่ได้รับการฝึกอบรมจากข้อมูลที่มีป้ายกำกับ และวิธีการที่ใช้หม้อแปลงไฟฟ้าจะใช้แบบจำลองภาษาที่ผ่านการฝึกอบรมล่วงหน้าซึ่งจับบริบทได้ ผลลัพธ์คือป้ายกำกับความรู้สึกสำหรับเอกสารแต่ละฉบับ
การคาดการณ์จะถูกให้คะแนนเทียบกับข้อมูลที่มีป้ายกำกับโดยใช้ความแม่นยำ (accuracy), F1, ความเที่ยงตรง (precision) และความระลึก (recall) และจะมีการตรวจสอบการจำแนกประเภทผิดพลาดก่อนที่จะนำแบบจำลองไปใช้งาน ขั้นตอนนี้ช่วยป้องกันการเชื่อถือแบบจำลองมากเกินไปซึ่งอาจทำงานได้ไม่ดีในบางประเภท
ข้อผิดพลาดที่พบบ่อย
- การประชดประชันและภาษาเชิงเปรียบเทียบสามารถกลับขั้วทางอารมณ์ที่ปรากฏได้ ดังนั้นการอ่านตามตัวอักษรจึงทำให้ติดป้ายกำกับข้อความผิดพลาด
- การเปลี่ยนแปลงโดเมน — การใช้แบบจำลองหรือพจนานุกรมที่สร้างขึ้นสำหรับโดเมนหรือภาษาหนึ่งกับอีกโดเมนหนึ่ง — ทำให้ความแม่นยำลดลง อย่าใช้พจนานุกรมภาษาอังกฤษกับข้อความในภาษาอื่น
- ป้ายกำกับที่ไม่สมดุลทำให้ความแม่นยำเข้าใจผิดได้; รายงาน F1, ความเที่ยงตรง และความระลึก แทนที่จะใช้ความแม่นยำเพียงอย่างเดียว
- การเรียกใช้ตัวจำแนกประเภทแบบมีผู้สอนกับเอกสารน้อยเกินไป (ต่ำกว่า ~100) — ให้กลับไปใช้วิธีการที่ใช้พจนานุกรม และอย่าข้ามการประมวลผลล่วงหน้า มิฉะนั้นโทเค็นที่มีเสียงรบกวนจะทำให้คุณลักษณะลดลง
คำถามที่พบบ่อย
พจนานุกรม, การเรียนรู้ด้วยเครื่อง, หรือหม้อแปลงไฟฟ้า — ฉันควรใช้วิธีการใด?
วิธีการที่ใช้พจนานุกรมจะใช้พจนานุกรมของคำที่มีความรู้สึกและทำงานได้ดีกับคลังข้อมูลขนาดเล็กที่ไม่มีข้อมูลที่มีป้ายกำกับ ตัวจำแนกประเภทการเรียนรู้ด้วยเครื่องจะเรียนรู้รูปแบบจากชุดข้อมูลการฝึกอบรมที่มีป้ายกำกับและปรับให้เข้ากับโดเมนของคุณ แบบจำลองที่ใช้หม้อแปลงไฟฟ้าจะใช้แบบจำลองภาษาที่ผ่านการฝึกอบรมล่วงหน้าเพื่อจับบริบทและโดยทั่วไปจะทำงานได้ดีที่สุดกับคลังข้อมูลขนาดใหญ่ โดยมีค่าใช้จ่ายในการคำนวณที่สูงขึ้น
การวิเคราะห์ความรู้สึกมีความแม่นยำแค่ไหน?
ความแม่นยำแตกต่างกันไปตามวิธีการ คลังข้อมูล และความเหมาะสมของแบบจำลองกับข้อความ ประเมินด้วยความแม่นยำ, F1, ความเที่ยงตรง และความระลึก บนข้อมูลที่มีป้ายกำกับที่แยกไว้; ในกรณีของคลาสที่ไม่สมดุล ความแม่นยำเพียงอย่างเดียวอาจทำให้เข้าใจผิดได้ ดังนั้นให้พึ่งพา F1, ความเที่ยงตรง และความระลึก
สามารถทำงานในภาษาอื่นที่ไม่ใช่ภาษาอังกฤษได้หรือไม่?
ได้ แต่แบบจำลองภาษาหรือพจนานุกรมที่เลือกต้องตรงกับภาษาเป้าหมายของคลังข้อมูล การใช้พจนานุกรมหรือแบบจำลองภาษาอังกฤษกับข้อความในภาษาอื่นเป็นสาเหตุทั่วไปของผลลัพธ์ที่ไม่ดี
การปฏิเสธและการประชดประชันได้รับการจัดการอย่างไร?
สิ่งเหล่านี้ยังคงเป็นกรณีที่ยากที่สุด การปฏิเสธสามารถกลับขั้วทางอารมณ์ได้ และการประชดประชันสามารถกลับความหมายตามตัวอักษรได้ทั้งหมด แบบจำลองหม้อแปลงไฟฟ้าที่รับรู้บริบทสามารถรับมือได้ดีกว่าพจนานุกรมอย่างง่าย แต่ไม่มีวิธีการใดที่จัดการการประชดประชันได้อย่างน่าเชื่อถือ ดังนั้นการตรวจสอบข้อผิดพลาดในระหว่างการประเมินจึงมีความสำคัญ
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Pang, B. & Lee, L. (2008). Opinion Mining and Sentiment Analysis. Foundations and Trends in Information Retrieval, 2(1-2), 1-135.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว