Communications Mining 用户指南

标签情感分析仅适用于客户反馈相关的数据集。这是因为它们包含比其他数据集更可识别的情感表达，而其他数据集本质上往往要中性得多。

请确保标签情感分析适用于您的用例，因为在创建数据集期间启用后，就不能在该数据集上禁用。

该平台确实提供了预训练的语气分析模型，该模型可以预测消息的整体语气，即情感。这通常适用于所有其他用例，且已足够满足所有其他用例，例如电子邮件收件箱分析和自动化。

标签情感分析在创建数据集时启用，且之后无法更改。在完成数据集设置流程时，您可以选择启用标签情感分析。

语气分析可为消息提供 -10 到 10 之间的整体情感分数。可以在创建数据集时启用，也可以稍后在数据集设置中启用。

分配带有情感的标签与分配不带情感的标签非常相似。查看下图中的步骤 1、2 和 3，这些步骤演示了如何批注客户/旅馆评论数据集中的消息。

主要区别在于步骤 2，在输入标签名称后，您必须始终选择正面或负面情感，以绿色或红色表情图标表示。对“价格” 和“房间” >“尺寸” 标签重复此步骤。

应用带有情感的标签时，请尽可能确保使用中性标签名称创建分类。例如，上一个示例中使用的 “价格”，而不是 “昂贵”。这是因为“价格”是中性的，而“昂贵”本质上是负面的。

为具有中性名称的标签选择负面情绪将捕获消息表达对标签的负面看法的实例。

在大多数情况下，根据语言固有的积极性或消极性，应用标签时应该选择哪种情感是显而易见的。例如，前面示例中的 “价格和房间”> “大小”。

对于某些标签，该概念可能不适合使用中性名称，并且本质上是消极或积极，因此始终始终仅与一种情感一起应用。例如，与“错误”相关的标签通常都会带有负面情感。这样做没有问题，但应用时应保持一致。

然而，有时可能会相当模糊。如果消息中使用的语气非常中性，则必须更仔细地考虑要应用的情感。

您应该考虑消息元数据和应用程序的一致性：

消息元数据

第一个是查看消息的元数据。对于与客户反馈相关的消息（这是已启用情感的数据集中最常见的数据类型），通常会有某种类型的分数或评分与消息相关联，例如 NPS 分数。您通常可以使用这些分数来估计语气中性的消息，在情感上是更积极还是更消极，例如，如果客户不满意，很少会留下 10 的 NPS 分数。

如果您基于分数元数据字段始终如一地为中性语气的消息应用标签情感，则模型可以学习识别这一点并相应地预测情感。

应用程序的一致性

第二个是，当标签的语气非常中性，并且没有其他区别（例如，与分数相关的元数据字段）时，要在标签的情感应用方式上保持一致。

如果对于某个标签，正面反馈更常见，则假设它是正面反馈，除非消息明确是否定的，反之亦然。但是，如果您的观点不一致，则模型将难以预测情感。

使用情感分析时要考虑的另一件重要事情是，模型会独立应用每个标签，即根和叶，因此，同一个父标签中可以有两个具有不同情感的叶标签。

在这些情况下，您必须判断父标签的整体情感是什么。在此示例中，父标签“房间”总体为正。

如果两个叶标签具有相同的情感，则模型将推断出父标签也具有负面情感，并且只有叶标签会显示为已固定的标签，尽管这意味着也应用了父标签。