Emotionserkennung mit maschinellem Lernen

Das Herausziehen des Kontextes aus dem Text ist eine der bemerkenswertesten Beschaffungen, die mit NLP erzielt wurden. Vor ein paar Jahren diente die Kontextraktion dazu, die Stimmung aus dem Text zu erkennen, und dann machte die Definition einen Schritt weiter in Richtung Emotionserkennung. Diese beiden Begriffe sind sehr unterschiedlich. Die Stimmung kann positiv, negativ oder neutral sein, wobei Emotionen unter diesen drei Kategorien eher verfeinert sind. Ein positives Gefühl könnte auf ein glückliches, aufgeregtes und sogar lustiges Gefühl zurückgeführt werden. In ähnlicher Weise machen Wut, Ekel und traurige Gefühle das Gefühl negativ.

Maschinelles Lernen bei der Emotionserkennung

Emotionen sehen von der Oberfläche aus nicht wie ein sehr direktes Problem aus. Die meisten Datensätze werden zur Erfassung von Emotionen als Valence — Arousal Scores bezeichnet. In der Vergangenheit war viel Feature-Engineering in das Training dieser Algorithmen involviert. So sieht diese Skala aus:

Bis vor 5 Jahren bestand das Training von Emotionsklassifikatoren darin, Wortlisten für Emotionen zu erstellen, zu entscheiden, welche Funktionen zur Klassifizierung verwendet werden sollten, und dann einen SVM- oder Maxent-Klassifikator zu trainieren. All dieses Feature-Engineering gehört jedoch langsam der Vergangenheit an, angesichts des neuen Trends Tiefes Lernen, das Merkmalsextraktionen automatisch durchführen kann. So haben wir unsere gebaut Emotionsklassifikator beim Parallele Punkte. Deep Learning lässt all diese Komplikationen einfach verschwinden und wandelt das Problem in ein einfaches Klassifizierungs-/Regressionsproblem um, je nachdem, was genau Sie vorhersagen möchten. So einfach ist das jetzt.

Wie machen wir das

• Erstellen Sie einen Datensatz mit Emotionen. Nehmen diese eine zum Beispiel. Bei Parallele Punkte, wir haben unser eigenes Daten-Tagging-Team, das einen maßgeschneiderten Emotionsdatensatz erstellt hat, an dem wir den Algorithmus trainieren können.
• Der markierte Datensatz wird dann dem neuronalen Netzwerk zugeführt, das entsprechend trainiert wird.

Wahl des neuronalen Netzwerks

• Angesichts der jüngsten Entwicklungen im Bereich Deep Learning haben wir mehrere Möglichkeiten, Algorithmen zu implementieren.
• Convolutional Neural Networks (Convnets) und Recurrent Neural Networks (RNN) sind zwei Optionen, die jedem Datenwissenschaftler bei der Lösung von Textklassifizierungsproblemen zur Verfügung stehen. Es wird ein sehr guter Überblick über die Lösungsansätze gegeben hier.
• Tatsächlich geht es darum, je länger der Kontext ist, den Sie benötigen, Sie verwenden ein RNN, und Convnets kann Aufgaben zur Feature-Erkennung übernehmen. Bitte beachten Sie, dass es, wie besprochen, Ausnahmen von dieser Regel gibt hier.
• Am Ende haben wir Convolutional Neural Networks für die Implementierung der Emotionsklassifizierung verwendet, da es sich um eine Aufgabe zur Merkmalserkennung handelt.

Nachdem wir das neuronale Netzwerk trainiert haben, bis wir eine glaubwürdige Genauigkeit erreicht haben, generieren wir Emotionsausgaben für unsere Analyseberichte.

Emotionserkennung: Gegenwart und Zukunft

Die Technologie zur Emotionserkennung macht einen großen Unterschied darin, wie wir Textanalysen nutzen. Vor allem im Bereich Marketing. Das Erkennen von Emotionen kann in hohem Maße über den Erfolg oder Misserfolg einer Kampagne entscheiden. Im nächsten Artikel werden wir erörtern, wie Emotionserkennung den Vermarktern hilft und welche zukünftigen Möglichkeiten mit dieser Technologie untersucht werden könnten.

‍