本文将介绍：

情感分析概览

情感分析定义为对某个情况或事件的看法或态度，即观点。

情感分析通过分析正文来确定其观点。然后，相关观点会被标记为更“正面”或更“负面”。这称为“极性”。

然后系统根据总极性指数确定总体情感分析为正面、负面或中性。如果某个情况或事件兼具正负面，但更为正面，则极性指数会将其列为正面。

Meltwater如何判断情感分析

我们的情感分析模型利用Transformer技术，这是一种世界一流的深度学习

架构。在自然语言处理领域，基于Transformer的情感分析模型的准确率最高。

我们的最新模型包含专门用于确保高精度的功能：

注意力机制——通过关注文本中最重要和最相关的字词来理解相关内容。

• 例如，在“我点击了鼠标关闭窗口”这样的句子中，特别注意“点击”一词将有助于模型理解此处的“鼠标”指的是电脑配件而不是动物，而窗口指的是类似于电脑上的浏览器窗口，而不是住宅的窗口。

• 从人类的角度来思考注意力。当我们听到某人讲话或阅读一段文字时，我们会下意识地集中注意力，回想那些对我们理解和领会相关内容最关键的字词。

基于句子的嵌入——我们的新模型改编自Google构建的预训练开源模型 (BERT)。旧模型将字词表示为向量，而BERT会将整个句子表示为向量。这意味着我们的模型能够更好地处理具有多种含义的字词。例如，鼠标。以下是其他示例：

Meltwater中的情感分析

情感分析体现的是给定文章或提及的整体情感调性。可以利用它来分析每个结果，并将相关消息的情感调性整合为正面、负面、中性或未评分。这些情感调性根据自然语言处理算法（NLP）进行划分，有助于为结果提供背景信息，以及有关搜索、品牌或相关主题的整体情感调性概览。

我们可以检测242种语言，并为218种语言和方言提供完整的情感分析。

以下是几个Meltwater情感分析应用示例。

正面。在这个示例中，一位用户表示十分喜爱一项Coca-Cola推广活动。

负面。该用户表示不喜欢某个Coca-Cola产品的口味。

中性。该用户只是简单地陈述了某个Coca-Cola收藏品的相关事实，并未表明任何情感。

现在让我们探讨一个棘手的问题。NLP和情感分析非常准确，但并不完美。俚语、讽刺、推论和潜台词都会改变你相较于其他人的认知情感分析方式。两个人甚至会看到同一则消息，却对情感分析有不同的看法！以下是一个很好的示例：

该用户提到他们喜欢Pepsi，这对于Pepsi而言属於正面情感。

他们还提到相较于Pepsi，他们更喜欢Coca-Cola。这对Coca-Cola而言属於正面情感，对Pepsi而言则属于负面情感。但是他们说他们也喜欢Pepsi，那么这对Pepsi而言是否仍然属於正面情感？

该用户提到了Pepsi和Coca-Cola，但没有提到RC Cola。这对RC Cola而言是属于负面、正面还是中性情感？

我们使用这个示例来凸显即使使用NLP，在确定情感时，背景信息仍然很重要，因为它与结果中的总体目标相关。有时候你可能不认同指定的情感分析，这没关系！请阅读下一节，了解如何在Meltwater中替代情感分析。

更改情感正负面性

可以利用“覆盖情感分析”指定或更改文档或提及的情感分析评估。

1. 点击当前情感分析

2. 从下拉菜单中指定正面、中性、负面或未评分

3. 如果文档中有重复文章，则会出现一个弹出窗口，询问“是否应用于所有文档？”。可以选择将情感分析应用于所有重复项，或仅应用于某项选定结果。

4. 在你设定新的情感正负面性等级后，情感正负面性标识将被填充。

*重要事项：

• 在帐户级别进行情感更改，并且小部件和Excel导出会反映这些更改。

• 再次点击情感分析图标并选择“重置”，即可重置情感分析更改。

• 无法查看团队中哪个人更改了情感分析。

批量覆盖情感分析

可以通过批量选择替代内容浏览中的情感分析，而不是逐个替代每项结果。

1. 在内容浏览中选择文档（每次最多可以选择500个文档）

2. 点击内容浏览工具栏中的表情符（笑脸）

3. 选择要将所有文档更改为的情感分析，或将情感分析重置回其原始情感分析

注意事项：由于无法同时更改超过500项结果，因此如果选择超过500个文档，或者勾选内容浏览顶端的“全选”框，然后点击“全选所有结果”，则情感分析表情符将消失。

基于规则的情感分析自动化功能

通过创建自定义规则来自动更新“探索”中的文章或关键词提及的情感分析，从而简化日常工作量。详细了解基于规则的自动化功能。

情感分析报告

信息中心模板

可在“画布布局”、“幻灯片布局”、“品牌报告模板”、“基准报告模板”、“推广活动报告模板”、“报道报告模板”和“免费媒体参照”信息中心中找到下列情感分析分析工具。

平均情感分析——显示了所选输入中提及的平均情感调性。情感分析推导自我们的自然语言处理算法。

情感分析明细——显示了所选输入中提及的情感分析细分。情感分析推导自我们的自然语言处理算法。归类为“未评分”的提及没有足够的文本来进行情感分析。受YouTube政策所限，此可视化效果不会包含其数据。

情感分析趋势——显示了所选输入中提及的情感分析细分随时间变化的趋势。“未评分”提及没有足够的文本来分析情感。受YouTube政策所限，此可视化效果不会包含其数据。

按信息源类型划分的情感分析——显示了所选输入中提及的情感分析细分，按信息源类型划分。“未评分”提及没有足够的文本来分析情感。受YouTube政策所限，此可视化效果不会包含其数据。

平均情感分析趋势——显示了一段时间内每项选定输入中提及的平均情感调性。受YouTube政策所限，此可视化效果不会包含其数据。

按情感分析划分的热门关键字——显示了所选输入的提及中最常出的关键字和短语，按提及的情感分析进行细分。归类为“未评分”的提及没有足够的文本来进行情感分析。受YouTube政策所限，此可视化效果不会包含其数据。

按情感分析划分的热门刊物——显示了提及量最多的新闻刊物，按提及的情感分析进行细分。归类为“未评分”的提及没有足够的文本来进行情感分析。受YouTube政策所限，此可视化效果不会包含其数据。

按情感分析划分的热门地点——按作者的地点划分的提及量分布情况，另外再按情感分析划分。受YouTube政策所限，此可视化效果不会包含其数据。

平均情感分析——显示了所选输入中提及的平均情感调性。情感分析推导自我们的自然语言处理算法。

实体级情感分析搜索

现在可以按实体级情感分析进行搜索！

使用新的布尔搜索技术运算符表示精细的情感分析，你将能够检索其中有负面或正面句子提及特定实体（例如品牌、竞争对手或产品）的文章和帖子，而文档的整体情感分析可能有所不同。

例如，此查询将返回Tesla被标识为实体并出现在负面句子中的所有文档：

enrichments.namedEntities[canonicalName:Tesla AND sentiment.discrete:v]

若要查找正面结果，请将情感分析变量从v（负面）改为p（正面） ，如下所示：

enrichments.namedEntities[canonicalname:Tesla AND sentiment.discrete:p]

若要涵盖相关实体的多个版本，可以将“名称”部分扩展为OR查询：

enrichments.namedEntities[canonicalName:Tesla OR name:“Tesla Motors“ AND sentiment.discrete:p]

情感分析布尔搜索技术变量包括

• p — 正面

• n — 中性

• v — 负面

• u — 未评分

*重要事项：

如果在同一句子中提及两个或多个实体，且其情感分析各不相同，则将根据主要组合情感分析指定句子的情感分析。

例如：Coca Cola最好喝，我不喜欢Pepsi。

这句话的正面情感大于负面情感，所以这句话中所有检测到的实体都会获得正面情感分析。

实体搜索暂不适用于提及品牌为@帐号，而不是写出名称（例如Twitter）的社交媒体渠道。

不断改进

我们会继续定期向NLP和现代深度学习模型中添加更多语言，以便继续改进准确的情感分析检测，并在需要时重新训练语言。