你在美团的一条评论,会引发的大数据情感分析
在美团消费后,大多数人都会对其评论,来表达自己的各种情感和情绪,比如批评、赞扬,喜、怒、哀、乐等。
这些用户评论对平台尤为重要。
比如你在美团的一条评论是这样的:“餐厅菜品齐全,口味不错,但是装修一般,位置有点偏,不好找。”,星级给的4星。
你整体的感情倾向是正向的,但是评论里面又有别的负面情绪,比如装修一般、位置有点偏。
对于消费者,美团后面可能会推荐给你装修比较好,位置好找的店。(个性化推荐)
或者在广告文案、推荐理由、Feeds内容、精选评论标签上会做更精细化的运营。
对于商家,美团会给出一些经营建议,比如选址、装修。(智能运营)
下面详细讲下情感分析和情感分析的三种常用算法,还有业界对情感分析的应用。
1、情感分析介绍
情感分析就是给出一段文本,分析出什么人,在什么时间,对什么东西的哪一方面,表达了怎样的情感。(正向/负向/中立情感倾向)
按照分析文本的颗粒度,可分为篇章/句子级情感分析、属性级情感分析、观点三元组分析。
2、篇章/句子级情感分析和应用
篇章/句子级分析就是给一段文本,根据输入的模型,计算出情感倾向。
美团的输入模型使用的是业界流行的技术方案,比如利用注意力机制获取句子中最重要的信息,然后推测出情感倾向。(这里比较偏技术,详细算法就不展开讲了)
美团的输出模型是将情感强度分为七档评分,非常负向、负向、轻微负向、中性、轻微正向、正向、强烈正向。
篇章/句子级分析应用在广告文案/个性化推荐/Feeds内容,或者商家运营策略。
看下图的推荐的Feeds内容,“实在不知道为什么那么多人都推荐说好吃”这些句子就来源于用户评论。
下面的图是商家运营情感监测场景,商家可根据评论内容来调整经营策略。
3、属性级情感分析和应用
为啥会有属性级情感分析?最开头也讲过了,在你表达一句话时,可能既包括正向情绪又包括负向情绪。
为了更精确的获取用户情感分析,属性级情感分析是必不可少的。
属性级情感分析是通过人工预定义一些属性,来提取出相应属性的情感倾向。
在对一个评论分析时,会先判断句子中是否存在指定属性,然后再把观点提取出来,再根据模型来推算出情感倾向。
美团就将餐饮行业下的属性设计为5个大类和18个子类,大类包括菜品、环境、价格、服务、位置。详细看下图(盗的图)
属性级情感分析在美团有更多的应用场景,比如精选点评、个性化推荐、智能搜索、商家运营等。
比如精选评论,可以让用户快速找到想看的评论。
4、观点三元组分析和应用
观点三元组分析和属性分析不一样的地方是,观点三元组分析的属性都是未知的。
观点三元组分析是通过抽取属性和观点,然后通过句子级情感分析来获取属性和观点对的情感倾向。
假设有一个评论:“小龙虾很入味,但是花甲不太新鲜”。
算法会先把“小龙虾”、“花甲”这些属性抽取出来,然后把“很入味“,“不新鲜”这2个观点提取出来,通过模型推测出“小龙虾很入味“是正向倾向,”花甲不新鲜“是负向倾向。
观点三元组可以打造出一个基于属性的情感观点知识库。
可应用于个性化推荐的文案,比如在美团首页,推荐的店家,可用“小龙虾很入味”这种文案描述。可帮助用户更高效的获取信息。
相关文章
- 从本体论开始说起——运营商关系图谱的构建及应用
- 如何成为一名数据科学家?
- 从未见过的堂兄杀了人,你的DNA是关键证据
- 20个安全可靠的免费数据源,各领域数据任你挑
- 20个安全可靠的免费数据源,各领域数据任你挑
- 阿里云李飞飞:All in Cloud时代,云原生数据库优势明显
- 基于Hadoop生态系统的一高性能数据存储格式CarbonData(性能篇)
- 大数据告诉你:10年漫威,到底有多少角色
- TigerGraph:实时图数据库助力金融风控升级
- Splunk利用Splunk Connected Experiences和Splunk Business Flow 扩大数据访问
- 大数据开发常见的9种数据分析手段
- 以免在景区看人,我爬了5W条全国景点门票数据...
- 【实战解析】基于HBase的大数据存储在京东的应用场景
- 数据科学家告诉你哪些计算机科学书籍是你应该看的
- Kafka作为大数据的核心技术,你了解多少?
- Spring Boot 整合 Redis 实现缓存操作
- 大数据学习必须掌握的五大核心技术有哪些?
- 基于Antlr在Apache Flink中实现监控规则DSL化的探索实践
- 甲骨文再次被Gartner评为分析型数据管理解决方案魔力象限领导者
- 爬取吴亦凡微博102118条转发数据,扒一扒流量的真假