Share it with your network.
Sacar el contexto del texto es una de las adquisiciones más notables obtenidas mediante la PNL. Hace unos años, la extracción del contexto consistía en detectar el sentimiento del texto y, luego, la definición dio un paso adelante hacia la detección de emociones. Estos dos términos son muy diferentes. El sentimiento puede ser positivo, negativo o neutral, mientras que las emociones son categorías más refinadas entre estas tres. Un sentimiento positivo podría atribuirse a una emoción feliz, emocionada e incluso divertida. Del mismo modo, la ira, el disgusto y las emociones tristes hacen que el sentimiento sea negativo.
Aprendizaje automático en el reconocimiento de emociones
La emoción desde la superficie no parece un problema muy directo. La mayoría de los conjuntos de datos se etiquetan como Valence: puntuaciones de excitación para capturar la emoción. Anteriormente, el entrenamiento de estos algoritmos implicaba una gran cantidad de ingeniería de funciones. Así es como se ve esta escala:
Hasta hace 5 años, el entrenamiento de los clasificadores para las emociones implicaba hacer listas de palabras sobre las emociones, decidir qué características utilizar para clasificar y, a continuación, entrenar un clasificador SVM o Maxent. Sin embargo, toda esta ingeniería de características se está convirtiendo poco a poco en cosa del pasado, dada la nueva tendencia de Aprendizaje profundo, que puede realizar extracciones de funciones automáticamente. Así es como hemos construido nuestro Clasificador de emociones a Puntos paralelos. El aprendizaje profundo solo hace que todas estas complicaciones desaparezcan y convierte el problema en un simple problema de clasificación/regresión, según lo que se quiera predecir exactamente. Ahora es así de sencillo.
Cómo lo hacemos
- Crea un conjunto de datos de emociones. Toma esto uno, por ejemplo. En Puntos paralelos, tenemos nuestro propio equipo de etiquetado de datos que creó un conjunto de datos de emociones personalizado para que pudiéramos entrenar el algoritmo.
- El conjunto de datos etiquetado se alimenta luego a la red neuronal, que se entrena en consecuencia.
Elección de red neuronal
- Con los avances recientes en el aprendizaje profundo, tenemos múltiples opciones para implementar algoritmos.
- Las redes neuronales convolucionales (convnets) y las redes neuronales recurrentes (RNN) son dos opciones que tiene cualquier científico de datos para resolver un problema de clasificación de textos. Se ofrece una muy buena revisión de los enfoques aquí.
- En efecto, el punto es que cuanto más largo sea el contexto, se utiliza un RNN y Convnets puede realizar las tareas de detección de funciones. Tenga en cuenta que puede haber excepciones a esta regla, tal y como se ha explicado aquí.
- Terminamos usando redes neuronales convolucionales para implementar la clasificación de emociones, ya que es un tipo de tarea de detección de características.
Tras entrenar la red neuronal hasta que alcancemos una precisión meritoria, generamos resultados emocionales para nuestros informes de análisis.
Detección de emociones: el presente y el futuro
La tecnología de detección de emociones está marcando una gran diferencia en la forma en que aprovechamos el análisis de texto. Especialmente, en el campo del marketing. La detección de las emociones, en gran medida, puede determinar el éxito o el fracaso de una campaña. En el próximo artículo, analizaremos cómo el reconocimiento de emociones está ayudando a los especialistas en marketing y qué posibilidades futuras podrían explorarse con esta tecnología.
