Sentiment Analysis

Fikir madenciliği olarak da adlandırılan duygu analizi, bir metnin ifade ettiği tutumu (genellikle olumlu, olumsuz veya nötr; bazen de puan, yıldız derecelendirmesi ya da öfke veya sevinç gibi bir duygu olarak) belirleme doğal dil işleme (NLP) görevidir. Şirketler bunu, hiçbir ekibin okuyamayacağı kadar çok metin arasından müşterilerin bir ürün veya marka hakkında ne düşündüğünü ölçmek için ürün yorumlarına, destek taleplerine, anket yanıtlarına ve sosyal medya gönderilerine uygular. Destek sohbet botları ise öfkeli müşterileri önce bir çalışana yönlendirmek için duygu analizini kullanır.

Analiz Düzeyleri#

Belge düzeyinde analiz, bir incelemenin tamamına tek bir etiket verir; cümle düzeyinde analiz ise her cümleyi ayrı ayrı etiketler. Özellik tabanlı duygu analizi (ABSA), daha da ileri giderek metinde belirtilen her özellik hakkındaki görüşü bulur: "Ekran harika, ama pil sabahı bile çıkarmıyor" ifadesi ekran için olumlu, pil için olumsuzdur. ABSA üzerine SemEval-2014 ortak görevi, dizüstü bilgisayar ve restoran yorumlarıyla bu yaklaşımı standartlaştırdı. Özellik çıkarımı adlandırılmış varlık tanımayla (NER) kesişir; çünkü her ikisi de bir cümlenin söz ettiği ögeleri bulur.

Sözlüklerden Transformer'lara#

Sözlük tabanlı yöntemler, olumlu veya olumsuz puanlara sahip sözcüklerin listesinden oluşan bir duygu sözlüğündeki sözcükleri sayar; ayrıca olumsuzluk ("iyi değil") ve pekiştirme ("çok iyi") kuralları ekler. Peter Turney'in denetimsiz yöntemi (2002), ifadeleri web'de "mükemmel" veya "kötü" sözcüklerinin yakınında ne sıklıkta göründüklerine göre puanladı. VADER (2014) ise ifadeler, büyük harfler ve ünlem işaretleri dâhil olmak üzere sosyal medya için bir sözlüğü ve kuralları uyarladı. Yine 2002'de Bo Pang, Lillian Lee ve Shivakumar Vaithyanathan film yorumlarıyla Naive Bayes, maksimum entropi ve destek vektör makinesi (SVM) sınıflandırıcılarını eğitti. Bu yöntemlerin insanlar tarafından yazılmış anahtar sözcük listelerinden daha iyi sonuç verdiğini, ancak duygu sınıflandırmasında konu sınıflandırmasına kıyasla daha kötü performans gösterdiğini buldular.

Stanford Duygu Ağaç Bankası (2013), 11.855 film incelemesi cümlesinden 215.154 ifadeyi etiketledi. Böylece modeller "değil" ve "ama" gibi sözcüklerin ardından gelen ifadenin duygusunu nasıl değiştirdiğini öğrenebildi; ikili sürümü SST-2 ise GLUE kıyaslama ölçütünün bir parçası oldu. Günümüzde çoğu sınıflandırıcı, önceden eğitilmiş Transformer modeline BERT gibi bir modeli etiketli örneklerle ince ayar yapar ve çıktı puanlarını softmax ile sınıf olasılıklarına dönüştürür. SST-2 üzerinde ince ayar yapılmış DistilBERT, doğrulama kümesinde %91,3 doğruluğa ulaşır:

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}")

Sınıflandırıcı, "hiç de fena değil" ifadesini OLUMLU (0,997), alaycı "Harika" yorumunu ise OLUMSUZ (0,998) olarak okur. Üçüncü yorum ekranı över, pili eleştirir; ancak belge düzeyindeki model yalnızca tek etiket döndürebilir: %0,966 ile OLUMSUZ. Böylece övgü sonuçta görünmez. Büyük dil modelleri (LLM'ler) de bir istem üzerinden duygu sınıflandırmasını sıfır örnekli yapabilir ve her özellik için ayrı bir etiket döndürebilir; ancak inceleme başına maliyetleri 66 milyon parametreli bir sınıflandırıcıdan çok daha yüksektir.

Çok Modlu Duygu#

İnsanlar görüşlerini sözcüklerin yanı sıra ses tonları ve yüz ifadeleriyle de aktarır; alaycılık çoğu zaman yalnızca seste kendini gösterir. Yayımlandığı sırada bu alandaki en büyük veri kümesi olan CMU-MOSEI (2018), 1.000 konuşmacıdan alınan 23.453 video kesitindeki duygu etiketlerini içerir. Çok modlu öğrenme modelleri, duyguyu tahmin etmek için konuşma dökümünü, sesi ve konuşmacının yüzünü birleştirir; bu hedef duyuşsal bilişimle ortaktır. Yüz kanalı bir görüntü sınıflandırma problemidir: her ifadeye göre sınıflandırılmış yüz kırpımlarıyla eğitilmiş bir Ultralytics YOLO26 sınıflandırma modeli, result.probs içinde her ifade için bir olasılık döndürür. Bu, yukarıdaki metin sınıflandırıcısının ürettiği türden bir softmax çıktısıdır.

Zorluklar#

Alaycılık, ironi ve karşılaştırmalar ("eskisinden daha iyi, gerçi bu pek bir şey ifade etmiyor") hâlâ zordur. Duygu sözcükleri alana bağlıdır: "öngörülemez" bir film konusunu överken bir arabanın direksiyonunu eleştirir. Bu nedenle film yorumlarıyla eğitilmiş bir model, yeni eğitim verileri olmadan ürün yorumlarında doğruluğunu kaybeder. Modeller verilerindeki önyargıyı da devralır. Svetlana Kiritchenko ve Saif Mohammad, 2018'de 219 duygu sistemini yalnızca ad veya "he" ya da "she" gibi cinsiyet bildiren bir sözcük bakımından farklılaşan cümlelerle test etti. Birkaç sistem, adın çağrıştırdığı cinsiyete veya ırka bağlı olarak tutarlı biçimde daha yüksek ya da düşük puanlar verdi.

Duygu Analizi ve İlgili Terimler#

• Metin sınıflandırma: Metne konu veya istenmeyen ileti gibi etiketler atamaya yönelik genel görevdir. Duygu analizi, görüş etiketlerini kullanan metin sınıflandırmasıdır.
• Duygu tanıma: Metinden, yüzlerden, sesten veya fizyolojik sinyallerden belirli duyguları tespit eder. Duygu analizi ise görüşü genellikle tek bir kutba indirger.
• Adlandırılmış varlık tanıma: Bir metinde nelerden söz edildiğini bulur; ABSA ise her bahsi, onunla ifade edilen görüşle eşleştirir.