Share it with your network.
Más del 80% de los datos de la mayoría de las organizaciones se refieren a la forma en que los clientes interactúan con el producto. Supervisar esta relación mediante la minería de textos es importante a la hora de diseñar las principales estrategias en cualquier empresa. La gran cantidad de contenido generado por los usuarios requiere el uso de técnicas automatizadas para la extracción y el análisis de textos, ya que la minería y el análisis colaborativos suelen estar repletos de errores, son costosos y no escalables.
Los enfoques de aprendizaje automático han ido ganando impulso entre los investigadores debido a su adaptabilidad y precisión para la minería de texto automatizada. Sin embargo, la mayoría de las organizaciones siguen confiando en los enfoques de los diccionarios de léxicos preetiquetados para realizar la mayor parte de la minería de textos.
En esta publicación, destacaremos los problemas con los enfoques basados en diccionarios y cómo el aprendizaje automático puede reemplazar estos enfoques con mayor precisión y adaptabilidad cuando cambian los conjuntos de datos.
MINERÍA DE OPINIONES: cómo las empresas pueden utilizar la IA para comprender el comportamiento de los consumidores
Las personas comparten sus opiniones y sentimientos sobre una variedad de temas, como productos, noticias, instituciones, etc., todos los días. Cuando los consumidores se enfrentan a la hora de tomar decisiones de compra, consultan las opiniones de los usuarios y los debates publicados por otros consumidores antes de tomar sus decisiones de compra. Las personas tienden a expresar su opinión sobre varias entidades. Como resultado, la minería de opiniones ha ganado importancia. La minería de opinión no solo ayuda a las empresas a obtener más información relevante sobre diferentes productos y servicios con un clic del ratón, sino que también ayuda a tomar una decisión más informada.
Por ejemplo, en la frase «La duración de la batería de este móvil es muy mala y no dura ni 4 horas», la opinión es sobre la «duración de la batería» del objeto móvil (objetivo) y la opinión es negativa. Muchas aplicaciones del día a día lo requieren y es necesario un nivel de análisis más profundo para tomar decisiones como qué componentes o características del producto se comercializarán ampliamente o se mejorarán en la próxima actualización.
La minería de opiniones es un desafío para el procesamiento del lenguaje natural (PNL), el análisis de textos y la lingüística computacional. Aquí analizamos el estado del arte de las obras que se centran en el contenido generado por los usuarios de la web abierta, como reseñas, comentarios e interacciones web en plataformas como sitios web de microblogueo, foros y redes sociales para la extracción de opiniones.
Búsqueda de palabras clave (enfoque de bolsa de palabras): el enfoque tradicional hacia la minería de opiniones
En el modelo BoW, una oración o un documento se considera una «bolsa» que contiene palabras. Tendrá en cuenta las palabras y la frecuencia con la que aparecen en la oración o el documento, sin tener en cuenta la relación semántica entre las oraciones. El especialista en marketing hace listas de palabras con sentimientos positivos y negativos (semillas) y comprueba cuáles predominan en un documento determinado (y marca como «sin opinión» si hay pocas palabras de uno u otro tipo). El algoritmo amplía este conjunto buscando sus sinónimos y antónimos en un diccionario en línea.
Por ejemplo, un enfoque convencional para filtrar todos los mensajes relacionados con el precio de un grupo de reseñas de usuarios sobre un producto consiste en realizar una búsqueda por palabra clave en Precio y otras palabras estrechamente relacionadas, como (precio, cargo, $, pagado).
Sin embargo, este método tiene deficiencias que hacen que sea ineficaz llevar a cabo tareas sofisticadas de minería de texto a gran escala.
Los problemas de este enfoque
La limitación humana de la ontología manual: es casi imposible pensar en todas las palabras clave relevantes y sus variantes que representan un concepto en particular. La creación y el mantenimiento de una ontología manual tienen un impacto significativo en el nivel de precisión.
Falta de experiencia en el campo: cuando se crean diccionarios en un área sustantiva y luego se aplican a otros problemas, pueden producirse errores graves. Muchas palabras que tienen una connotación negativa en otros contextos, como «precios más altos del crudo», pueden tener una connotación positiva en el contexto de la empresa petrolera. Además, estos enfoques no utilizan frases como «arregla la economía en crisis» o frases negativas dobles como «no tenía mal sabor», que aparecen con frecuencia en las conversaciones cotidianas.
Es hora de adoptar un nuevo enfoque.
Clasificación de textos: el enfoque avanzado hacia la minería de opiniones
Los más utilizados
El aprendizaje automático permite a los usuarios implementar la IA en contenido empresarial no estructurado. Es una de las técnicas más destacadas que despierta el interés de los investigadores debido a su adaptabilidad y precisión. Se compone de cuatro etapas: recopilación de datos, preprocesamiento, entrenamiento de datos y prueba y validación de los resultados. En los datos de entrenamiento, se proporciona una colección de datos etiquetados. Se crea un modelo basado en el conjunto de datos de entrenamiento que se emplea sobre el texto nuevo o invisible con fines de clasificación. Reúne suficientes opiniones (y analízalas correctamente) y tendrás un indicador preciso de los sentimientos de la mayoría silenciosa. Esto se refiere no solo a cómo se sienten las personas, sino también a los factores que explican por qué se sienten de esa manera.
Descubrimiento de patrones: cómo la clasificación del texto se acerca a la clasificación del texto similar a la humana
En un escenario de clasificación, ejecutamos un algoritmo de descubrimiento de patrones sobre un conjunto pequeño de datos de entrenamiento etiquetados para calcular los patrones de texto que están altamente correlacionados con la aparición de una etiqueta específica (es decir, si el patrón
ocurre, entonces, con alta probabilidad, también lo hace la etiqueta). El clasificador identifica las relaciones entre las palabras y las almacena para analizar documentos futuros que no se vean. Considere la tarea de clasificar los correos electrónicos de comentarios de los usuarios enviados a una gran empresa en correos electrónicos que expresen sentimientos positivos y negativos. En este contexto, un patrón de texto frecuente que tiene una alta correlación con la etiqueta negativa podría ser «Me cambiaré a XyzCorp», donde XyzCorp es el nombre de un competidor. Una vez que el clasificador haya aprendido esto, podrá clasificar otros documentos nuevos en etiquetas, tal como lo haría un humano.
«¿Qué impulsa el sentimiento?» - La clasificación de textos en acción
Al comprender qué es lo que impulsa el sentimiento, los datos de opinión se pueden utilizar para exponer las áreas críticas de fortaleza y debilidad. Estos datos permiten a los ejecutivos realizar las reformas estratégicas y específicas necesarias para revitalizar la rentabilidad o recuperar la caída de la cuota de mercado.
Dentro del sector público, estos mismos datos pueden usarse para crear estrategias y campañas que tengan eco en el electorado y reaccionen a las necesidades cambiantes de los votantes. Al aislar los factores específicos y a nivel temático que impulsan los sentimientos positivos y negativos, la minería de opiniones permite desarrollar un nivel increíblemente profundo de conocimiento social: una ventana para ver cómo piensan y sienten las personas.
Al analizar las conversaciones en función del sentimiento y los temas que lo impulsan, un banco minorista podría descubrir que las críticas de los clientes, la duración de las colas y los tiempos de espera son los principales factores.
Una cadena de comida rápida podría estar interesada en saber que, en comparación con su competidor más cercano, muchos consideran que el tamaño de sus porciones es demasiado pequeño, aunque su amable servicio de atención al cliente es una ventaja.
En Komprehend, facilitamos a nuestros usuarios el uso de soluciones de clasificación de textos basadas en aprendizaje automático sin experiencia en ciencia de datos.
Puede utilizar una de nuestras soluciones de clasificación de texto disponibles en el mercado, como Análisis de sentimientos y Análisis de emociones o construye tu propio clasificador usando API de clasificación personalizada. Todas las API están disponibles en Complemento Google Sheets para hacer minería de texto desde la comodidad de tus hojas de cálculo.
En el caso de las empresas, los modelos de clasificación de texto se pueden licenciar para su implementación local o en la nube privada a fin de garantizar una baja latencia y el cumplimiento de las leyes de privacidad.
También puede explorar más de nuestras soluciones de clasificación de textos aquí.
Puedes leer aquí acerca de las aplicaciones y los casos de uso de la clasificación de textos.
Esperamos que os haya gustado el artículo. Por favor Inscríbase para obtener una cuenta Komprehend gratuita para comenzar su viaje con la IA. También puedes consultar las demostraciones de las API de IA de Komprehend aquí.
