Sentiment Analysis

تحليل المشاعر، المعروف أيضًا بالتنقيب عن الآراء، هو مهمة معالجة اللغة الطبيعية (NLP) التي تحدد الموقف الذي يعبّر عنه نص، وعادةً ما يكون إيجابيًا أو سلبيًا أو محايدًا، وأحيانًا يُعبّر عنه بدرجة أو تقييم نجمي أو عاطفة مثل الغضب أو الفرح. وتطبقه الشركات على مراجعات المنتجات وتذاكر الدعم وإجابات الاستبيانات ومنشورات وسائل التواصل الاجتماعي لقياس مشاعر العملاء تجاه منتج أو علامة تجارية ضمن نصوص تفوق قدرة أي فريق على قراءتها، وتستخدم روبوتات الدردشة الداعمة هذا التحليل لتحويل العملاء الغاضبين إلى موظف أولًا.

مستويات التحليل#

يمنح التحليل على مستوى المستند مراجعةً كاملةً تصنيفًا واحدًا، بينما يصنّف التحليل على مستوى الجملة كل جملة. ويتعمق تحليل المشاعر القائم على الجوانب (ABSA) أكثر، إذ يعثر على الرأي المتعلق بكل سمة يذكرها النص: "الشاشة رائعة، لكن البطارية بالكاد تدوم حتى الصباح" تعبر عن رأي إيجابي في الشاشة وسلبي في البطارية. وقد وحّدت مهمة SemEval-2014 المشتركة هذا الإطار باستخدام مراجعات الحواسيب المحمولة والمطاعم، ويتداخل استخراج الجوانب مع التعرّف على الكيانات المسماة (NER)، إذ يعثر كلاهما على الأشياء التي تتحدث عنها الجملة.

من المعاجم إلى المحوّلات#

تعدّ الأساليب القائمة على المعاجم الكلمات من معجم للمشاعر، وهو قائمة كلمات ذات درجات إيجابية أو سلبية، وتضيف قواعد للنفي ("ليس جيدًا") والتوكيد ("جيد جدًا"). قيّمت الطريقة غير الخاضعة للإشراف التي وضعها بيتر تورني (2002) العبارات بحسب مدى تكرار ظهورها على الويب بالقرب من "ممتاز" أو "رديء"، كما ضبط VADER (2014) معجمًا وقواعد لوسائل التواصل الاجتماعي، بما في ذلك الوجوه التعبيرية والأحرف الكبيرة وعلامات التعجب. وفي عام 2002 أيضًا، درّب بو بانغ وليليان لي وشيفاكومار فايثياناثان مصنّفات Naive Bayes والإنتروبيا القصوى وآلة المتجهات الداعمة (SVM) على مراجعات الأفلام، ووجدوا أنها تفوقت على قوائم الكلمات المفتاحية التي كتبها البشر، لكنها كانت أسوأ في تحليل المشاعر منها في تصنيف الموضوعات.

وسمت مجموعة ستانفورد للمشاعر الشجرية (2013) عدد 215,154 عبارة من 11,855 جملة من مراجعات الأفلام، كي تتمكن النماذج من تعلم كيفية تغيير كلمات مثل "ليس" و"لكن" لمشاعر النص اللاحق، وأصبح إصدارها الثنائي، SST-2، جزءًا من المعيار المرجعي GLUE. واليوم، تضبط معظم المصنّفات نموذجًا مدرّبًا مسبقًا من Transformer، مثل BERT، على أمثلة موسومة، ثم تحوّل درجات مخرجاته إلى احتمالات للفئات باستخدام softmax. ويحقق DistilBERT المضبوط بدقة على SST-2 دقةً قدرها 91.3% على مجموعة التحقق:

from transformers import pipeline

# DistilBERT fine-tuned on the Stanford Sentiment Treebank (SST-2)
classifier = pipeline("sentiment-analysis", model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")

reviews = [
    "The battery life is not bad at all.",
    "Oh great, it crashed again five minutes after the update.",
    "The screen is gorgeous, but the battery barely lasts a morning.",
]
for review, result in zip(reviews, classifier(reviews)):
    print(f"{result['label']:<8} {result['score']:.3f}  {review}")

يصنّف النموذج "ليس سيئًا على الإطلاق" على أنه إيجابي (0.997)، والمراجعة الساخرة "يا له من رائع" على أنها سلبية (0.998). وتشيد المراجعة الثالثة بالشاشة وتنتقد البطارية، لكن النموذج الذي يعمل على مستوى المستند لا يستطيع إرجاع سوى تصنيف واحد، وهو سلبي بدرجة 0.966، فتختفي الإشادة من النتيجة. كما تصنّف النماذج اللغوية الكبيرة (LLMs) المشاعر دون أمثلة مسبقة اعتمادًا على موجّه، ويمكنها إرجاع تصنيف لكل جانب، بكلفة أعلى بكثير لكل مراجعة مقارنةً بمصنّف ذي 66 مليون معلمة.

تحليل المشاعر متعدد الوسائط#

يعبّر الناس عن آرائهم من خلال نبرة الصوت وتعابير الوجه إلى جانب الكلمات، وغالبًا لا تظهر السخرية إلا في النبرة. وتضم مجموعة CMU-MOSEI (2018)، التي كانت عند إصدارها أكبر مجموعة بيانات لهذا الإطار، تسميات المشاعر لـ23,453 مقطع فيديو من 1,000 متحدث، وتجمع نماذج التعلّم متعدد الوسائط بين النص المفرّغ والصوت ووجه المتحدث للتنبؤ بالمشاعر، وهو هدف مشترك مع الحوسبة الوجدانية. وتمثل قناة الوجه مشكلة تصنيف الصور: إذ يعيد نموذج تصنيف Ultralytics YOLO26 المدرّب على قصاصات الوجوه المصنّفة في مجلد مستقل لكل تعبير احتمالًا لكل تعبير ضمن result.probs، وهو النوع نفسه من مخرجات softmax التي ينتجها مصنّف النصوص أعلاه.

التحديات#

لا تزال السخرية والمفارقة والمقارنات ("أفضل من القديم، وهذا لا يعني الكثير") صعبة. وتعتمد دلالة كلمات المشاعر على المجال: فكلمة "غير متوقع" تمدح حبكة فيلم وتنتقد توجيه سيارة، لذا يفقد النموذج المدرّب على مراجعات الأفلام دقته في مراجعات المنتجات دون بيانات تدريب جديدة. كما ترث النماذج التحيز من بياناتها. واختبرت سفيتلانا كيريتشينكو وسيف محمد 219 نظامًا لتحليل المشاعر عام 2018 باستخدام جمل لا تختلف إلا في اسم أو كلمة محددة حسب الجنس مثل "هو" أو "هي"، وأعطى عدد منها درجات أعلى أو أدنى باستمرار وفقًا للجنس أو العرق الذي يوحي به الاسم.

تحليل المشاعر مقارنةً بالمصطلحات ذات الصلة#

• تصنيف النصوص: المهمة العامة لإسناد تسميات إلى النصوص، مثل الموضوع أو البريد العشوائي. وتحليل المشاعر هو تصنيف للنصوص باستخدام تسميات الرأي.
• التعرّف على المشاعر: يكتشف مشاعر محددة من النصوص أو الوجوه أو الأصوات أو الإشارات الفسيولوجية. وعادةً ما يختزل تحليل المشاعر الرأي إلى قطبية.
• التعرّف على الكيانات المُسمّاة: يحدّد ما يشير إليه النص، بينما تربط ABSA كل إشارة بالرأي المُعبّر عنه بشأنها.