如何使用现代语言模型进行增强情绪分析

从意大利国旗到波浪线：情绪分析的故事

情绪分析由来已久。大多数公司使用某种版本来分析大量文本——无论是来自社交媒体帖子、调查回复还是网站评论。 

通常，每段文本都会被归类为“正面”、 阿尔及利亚 电话号码数据 “负面”或“中性”。结果通常使用带有绿、白、红三色条纹的水平图表来显示。这些条纹代表正面、中性和负面评论的比例，从而呈现出经典的“意大利国旗”情绪显示。您的组织很可能以前也使用过类似的显示方式。它们可能很有趣，但通常价值有限。

另一种常见的方法是绘制一段时间内正面和负面情绪的百分比，这样会形成两条波浪线，虽然视觉上引人入胜，但几乎没有提供任何可操作的见解。早期，一些公司甚至尝试通过从正面评论中减去负面评论的百分比来创建“情绪NPS”——但这又是一条波浪线，也是另一种用途有限的衡量标准。

尽管存在这些缺陷，情绪分析并非完全无效。它的真正潜力在于超越简单的正负百分比，因为这些百分比通常波动太大，缺乏意义。 

情绪类别可以作为深入分析的起点。例如：

• 持有积极情绪的人们正在讨论哪些话题？ 
• 这些与负面提到的话题有何不同？ 

蝴蝶图等可视化技术将正面和负面提及的话题进行对比，可以突出可行的见解，从而改善客户体验。

这种感觉可能很熟悉。15 年来，从开放式评论中提取有价值的营销见解的前景一直很诱人，但其实际价值却一直有限。

好消息是，语言模型的最新进展使得我们能够以全新且令人兴奋的方式重新审视情绪分析。借助这些现代工具，我们可以发现客户对我们产品和服务的看法背后的驱动因素。

传统情绪分析的局限性

在探索现代语言模型提供的新功能之前， 显著特点：可根据具体业务需求考虑的可选功能 必须了解传统情绪分析的局限性。如果不了解这一点，我们可能会在新技术中重复同样的问题。三个主要问题限制了传统情绪分析的有效性：

缺乏背景

传统的情感分析通常只处理文本片段，往往忽略了准确解读含义所需的语境。例如，“你们真是难以置信！” 

如果没有语境，情绪可能是正面的，也可能是负面的。如果用户对你服务的满意度评分为 1/5，则情绪很可能是负面的。如果他们给你的评分是 5/5，则情绪很可能是正面的。语境至关重要，但传统的情绪分析很少将其纳入。

中性类别中的歧义

正面和负面情绪百分比波动的原因之一是中性类别，它通常结合了两个非常不同的群体： 

• 真正中立的评论。
• 无法对情绪进行分类的评论。 

这些群体应该被区别对待，但传统系统却无法区分它们。许多服务提供商由于其复杂性而回避这个问题，导致这种模糊性问题得不到解决。

过度简化人类表达

将文本分为正面或负面，过于简化了人类语言的复杂性。一条评论可能服务于多种目的， 印度短信 甚至表达出相互矛盾的情绪，因此二元分析方法显得不足。这种局限性迫使我们频繁依赖“中性”类别，这进一步降低了分析的准确性和价值。

了解这些局限性对于构建更好的系统以避免传统情绪分析的陷阱至关重要。

深入挖掘：如何利用人工智能增强市场研究并收集客户洞察

现代语言模型如何改变游戏规则

现代语言模型可以彻底改变情绪分析，但前提是我们必须避免重复传统方法的缺陷。使用现代大型语言模型 (LLM) 创建情绪分析系统出奇地简单，但它仍然面临同样的局限性。

例如，考虑以下提示：

• 请将以下陈述归类为正面、负面或中性。请只给出一个词的类别：‘你们真是难以置信。’

当使用 Gemini 1.5 时，响应为：

• “消极的。”

虽然法学硕士（LLM）为该情绪分析系统提供了支持，但其输出结果与传统方法一样有限。它只是更容易实现。

为了真正发挥其潜力，我们必须承认传统情绪分析的局限性，并努力寻求更先进的解决方案。以下是现有模型可以应对这些挑战的一些方法：

• 包含上下文：情绪分析应该包含上下文信息，例如满意度评级、之前的互动或其他相关数据，而不是分析孤立的文本片段。
• 采用更复杂的分类方案：超越基本的正面、负面和中性标签，包括沮丧、钦佩、感激或讽刺等类别——针对改善客户体验最重要的方面进行定制。
• 关注目的，而非仅仅关注情感：分析语句背后的意图或情绪，无论是描述性的、讽刺性的、不确定的还是信息性的。理解这些细微差别可以带来更深刻的洞察。

一股新的情绪分析浪潮正在兴起，它超越了过时的“意大利国旗”可视化。通过有效地运用现代工具，我们可以确保情绪分析能够提供切实可行的、与业务相关的洞察。