Über Sentiment-Analyse

Die KI-gestützte Sentiment-Analyse von Talkwalker bietet eine Möglichkeit, den emotionalen Ton eines Inhalts zu analysieren, z. B. eines Social-Media-Beitrags oder eines Artikels. Sie können die Informationen, die Sie aus Sentiment-Analyse gewinnen, nutzen, um Arbeitsabläufe zu optimieren, Reaktionen auf der Grundlage emotionaler Dringlichkeit anzupassen und strategische Entscheidungen und Krisenmanagementstrategien zu treffen.

Über das Sentiment-Analyse-Modell

Die Sentiment-Analyse von Talkwalker erkennt derzeit 186 Sprachen und kann eine Gesamtgenauigkeit von bis zu 90% liefern. Das KI-gestützte Sentiment-Analyse-Modell von Talkwalker kombiniert die folgenden fortschrittlichen Techniken, um die besten Ergebnisse zu erzielen:

• Deep Learning - Wir trainieren unseren Motor nicht mit unseren Kundendaten. Es verwendet einen vordefinierten Datensatz von Dutzenden Millionen von von Menschen kommentierten Ergebnissen, um relevante Muster zu identifizieren und die Ergebnisse zu verbessern.
• Relevante Muster - Unsere Algorithmen, die hinter den Kulissen ablaufen, entschlüsseln nicht nur einzelne Wörter, sondern können die Bedeutung hinter ganzen Sätzen verstehen. Dies ermöglicht es ihnen, menschliche Emotionen, grundlegende Arten von Ironie und Sarkasmus zu interpretieren.
• Neuronale Netze - Wir verwenden leistungsstarke Rechenmethoden, die menschliche kognitive Fähigkeiten simulieren.
• Natural Language Processing (NLP) und maschinelles Lernen - Wir verwenden diese Techniken, um bei der Bestimmung der Stimmung zu helfen, Bilder und Videos zu erkennen und bei der maschinellen Übersetzung, der Erstellung von Themenwolken, demografischen Daten und Unterhaltungsclustern zu helfen.

Hinweis: AI Stimmung-Modelle werden nicht mit Kundendaten trainiert.

Wie wir Stimmung zuweisen

Für Funktionen, die die Stimmungsanalyse unterstützen, können Sie die KI verwenden, um die Stimmung automatisch zuzuweisen, und Sie können die Stimmung manuell ändern. Die KI analysiert ganze Sätze (nicht nur Schlüsselwörter) und bezieht alle Ergebnisse mit ein, um die gesamte kontextuelle Einstellung oder Reaktion zu bestimmen. Jedem Artikel oder Beitrag kann nur eine Stimmung zugeordnet werden.

Stimmungsberechnungen in Inbox 2.0

Wir nutzen den KI-Dienst von TalkWalker, um positive, negative oder neutrale Stimmung für einzelne Nachrichten in einer Unterhaltung zu ermitteln. Außerdem berechnen wir für jede Unterhaltung eine Gesamtstimmung. Wir verwenden die letzten fünf nicht-neutralen Nachrichten in einer Unterhaltung, um die Stimmung für diese Unterhaltung zu berechnen. Für jede positive Nachricht addieren wir einen Punkt und für jede negative Nachricht ziehen wir einen Punkt ab. Anschließend mitteln wir die letzten fünf Ergebnisse und verwenden für die Berechnung der Unterhaltung Stimmung den folgenden Bereich:

• Positiv - Zwischen 0 und 1.
• Neutral - 0.
• Negativ - Zwischen -1 und 0.

Zum Beispiel berechnen wir eine Unterhaltung mit 1 negativen, 1 neutralen und 3 positiven Nachrichten als positiv. (-1 + 1 + 1 + 1 )/4 = 0,5, was zwischen 0 und 1 liegt und somit positiv ist.

Stimmungsberechnungen in Talkwalker

Wenn KI-Klassifikatoren Teil Ihres Pakets sind, können Sie benutzerdefinierte Stimmung KI-Klassifizierer für Ihr Projekt trainieren.

Die KI-Stimmung wird auf Ergebnisse angewendet, die manuell in Talkwalker importiert wurden. Wenn Sie jedoch Ihre eigene Stimmung in der Importdatei angeben, wird die automatische Stimmung nicht zugewiesen.

Global AI Stimmung ist Content-basiert, nicht markenbasiert. Verwenden Sie für markenbasierte Stimmungen benutzerdefinierte KI-Klassifikatoren.

Erkennung von Emotionen

Sowohl Stimmung als auch Emotion werden über KI erfasst. Sie werden jedoch getrennt berechnet und es werden unterschiedliche Methoden für ihre Berechnungen verwendet.

Für die Emotionserkennung folgen wir der Parrott-Struktur der Emotionen. Die Emotionserkennung basiert auf einzelnen Sätzen und ein Artikel kann in mehreren Emotionskategorien erscheinen. Die Emotionserkennung bezieht sich nur auf Ergebnisse, bei denen Emotionen identifiziert werden konnten.

Die Emotionen, die für ein bestimmtes Ergebnis erkannt werden, stimmen nicht unbedingt mit der Stimmung des Ergebnisses überein. Zum Beispiel bedeuten freudige Emotionen in einem Beitrag nicht unbedingt, dass der Beitrag als positiv eingestuft wird.