Sobre el análisis de sentimiento

El análisis de sentimiento impulsado por IA de Talkwalker proporciona una forma de analizar el tono emocional de una pieza de contenido, como una publicación en las redes sociales o un artículo. Puede utilizar la información que obtiene del análisis de sentimiento para optimizar los flujos de trabajo, adaptar las respuestas en función de la urgencia emocional y ayudar a informar las decisiones estratégicas y las estrategias de gestión de crisis.

Acerca del modelo de análisis de sentimiento

El análisis de sentimiento de Talkwalker reconoce actualmente 186 idiomas y puede proporcionar una precisión general de hasta el 90%. El modelo de análisis de sentimiento impulsado por IA de Talkwalker combina las siguientes técnicas avanzadas para obtener los mejores resultados:

• Aprendizaje profundo : no entrenamos nuestro motor utilizando los datos de nuestros clientes. Utiliza un conjunto de datos predefinido de decenas de millones de resultados anotados por humanos para ayudar a identificar patrones relevantes y mejorar los resultados.
• Patrones relevantes : nuestros algoritmos, que se ejecutan entre bastidores, no solo descifran palabras individuales, sino que pueden comprender el significado detrás de oraciones completas. Esto les permite interpretar las emociones humanas, los tipos básicos de ironía y el sarcasmo.
• Redes neuronales : empleamos potentes métodos informáticos que simulan las habilidades cognitivas humanas.
• Procesamiento del lenguaje natural (NLP) y aprendizaje automático : utilizamos estas técnicas para ayudar a determinar el sentimiento, reconocer imágenes y vídeos, y ayudar en la traducción automática, la creación de nubes temáticas, los datos demográficos y los grupos de conversación.

Nota: Los modelos de sentimiento de IA no se entrenan con los datos de los clientes.

Cómo asignamos el sentimiento

En el caso de las funciones que admiten el análisis de sentimiento, puede optar por utilizar la IA para asignar automáticamente el sentimiento y puede cambiar el sentimiento manualmente. La IA analiza oraciones completas (no solo palabras clave) e incluye todos los resultados para determinar la actitud o reacción contextual general. Solo se puede asignar un sentimiento a cada artículo o publicación.

Cálculos de sentimiento en Inbox 2.0

Utilizamos el servicio de IA de TalkWalker para determinar el sentimiento positivo, negativo o neutro de los mensajes individuales de una conversación. También calculamos un sentimiento general para cada conversación. Usamos los últimos cinco mensajes no neutrales de una conversación para calcular el sentimiento de esa conversación. Por cada mensaje positivo, sumamos un punto y por cada mensaje negativo, restamos un punto. A continuación, promediamos los últimos cinco puntaje y utilizamos el siguiente rango para calcular el sentimiento de la conversación:

• Positivo: entre 0 y 1.
• Neutro - 0.
• Negativo: entre -1 y 0.

Por ejemplo, calculamos una conversación con 1 mensaje negativo, 1 neutro y 3 positivos como positiva. (-1 + 1 + 1 + 1 )/4 = 0,5, que está entre 0 y 1 y, por lo tanto, es positivo.

Cálculos de sentimiento en Talkwalker

Si los clasificadores de IA son parte de su paquete, puede entrenar clasificadores de IA de sentimiento personalizados para su proyecto.

El sentimiento de IA se aplica a los resultados importados manualmente a Talkwalker. Sin embargo, si indica su propio sentimiento en el archivo de importación, el sentimiento automático no será asignado.

El sentimiento global de la IA se basa en el contenido, no en la marca. Para el sentimiento basado en la marca, use clasificadores de IA personalizados.

Detección de emociones

Tanto el sentimiento como la emoción se detectan a través de la IA. Sin embargo, se calculan por separado y se utilizan diferentes métodos para sus cálculos.

Para la detección de emociones, seguimos la estructura de emociones de Parrott. La detección de emociones se basa en oraciones individuales y un artículo puede aparecer en varias categorías de emociones. La detección de emociones solo se aplica a los resultados en los que se pueden identificar las emociones.

Las emociones detectadas para un resultado específico pueden no coincidir necesariamente con el sentimiento del resultado. Por ejemplo, las emociones alegres en una publicación no significan necesariamente que la publicación se clasificará como positiva.