Τα Emoji είναι γεμάτα συναισθήματα. Μπορεί να βελτιώσει ή να προσαρμόσει τον τόνο και τη διάθεση του κειμένου, ταυτόχρονα, τα συναισθήματα που εκφράζονται από τα emoji μπορεί να είναι πιο εμφανή από ό, τι μόνο οι λέξεις.

Για παράδειγμα αυτό το emoji 👿 (θυμωμένο πρόσωπο με κέρατα). Είναι προφανώς με τη μορφή ενός διαβόλου χαρακτήρα, οπότε μπορεί να υπάρχουν σκέψεις που θεωρούν ότι είναι ένα «κακό» emoji, όπως κάποιες κακές σκέψεις στο κεφάλι κάποιου.

Ωστόσο, αυτό το είδος περιγραφής είναι πολύ αφηρημένο. Επομένως, μπορούμε να απεικονίσουμε τους τύπους και τα επίπεδα συναισθημάτων που εκφράζονται από αυτά τα emoji;


Η απάντηση είναι "Ναι" φυσικά! Πραγματοποιήσαμε την Επεξεργασία Φυσικής Γλώσσας (NLP) σε δημόσια δείγματα τουλάχιστον 50 εκατομμυρίων tweets και χρησιμοποιούμε Ανάλυση Συναισθήματος Κειμένου (που ονομάζεται επίσης εξόρυξη γνώμης) για να συσχετίσουμε το συναίσθημα των emoji με ένα σύνολο τιμών και να το οπτικοποιήσουμε. Ξοδέψαμε πολύ χρόνο, ενέργεια και υπολογιστική δύναμη για να κάνουμε την ανάλυση συναισθημάτων emoji πιο επιστημονική και αυστηρή, έτσι ώστε όλοι να μπορούν να νιώσουν τη γοητεία και να κατανοήσουν καλύτερα τα emoji.

Οπτικά γραφήματα για ανάλυση συναισθημάτων emoji

Δεδομένα όπως η τιμή συναισθημάτων emoji υπολογίστηκαν σύμφωνα με την ανάλυση συναισθημάτων κειμένου, η οποία ανήκει στη στατιστική και στη θεωρία πιθανότητας. Αφού λύσαμε το πρόβλημα του αλγορίθμου και της υπολογιστικής ισχύος, τότε συναντήσαμε νέες δυσκολίες: πώς να κάνουμε τους χρήστες να κατανοήσουν αυτά τα επαγγελματικά δεδομένα;

Μια σκέψη διασχίζει το μυαλό μας—— Γεια! Τι γίνεται με την οπτικοποίηση των τιμών συναισθημάτων emoji με μερικά δροσερά σχέδια!

💡: Μετατρέψαμε τα υπολογισμένα και αναλυμένα δεδομένα (αριστερά) σε ένα γράφημα που μπορεί να γίνει καλύτερα κατανοητό από τους χρήστες (δεξιά), το οποίο μπορεί να δείξει πιο διαισθητικά τη συναισθηματική διαίρεση των emoji.

Επιτρέψτε μου λοιπόν να εξηγήσω το ακόλουθο γράφημα, το οποίο απεικονίζει τα αποτελέσματα της ανάλυσης τάσης του emoji στην πραγματική επικοινωνία.

💡: 2 τύποι γραφημάτων για την ανάλυση συναισθημάτων του emoji,, εδώ αναλύουμε μόνο το παραπάνω γράφημα.

Το ημικύκλιο τόξο στην εικόνα χωρίζεται σε τρία χρώματα, που αντιπροσωπεύουν διαφορετικές συναισθηματικές τάσεις του emoji 👿 . Όπως μπορούμε να δούμε, οι αναλογίες αυτών των τριών συναισθημάτων είναι περίπου 4: 1: 5, το πράσινο και το πορτοκαλί έχουν παρόμοιες αναλογίες, πράγμα που σημαίνει ότι αυτό το emoji είναι πιο ουδέτερο (έκπληξη !!).

  • Ο γκρίζος δρομέας είναι το επίπεδο εμπιστοσύνης , μια στατιστική έννοια. Η θέση και το πλάτος του υποδεικνύουν: Expected Value ± Confidence .
  • Αναμενόμενη τιμή : Είναι ο σταθμισμένος μέσος όρος των διασκορπιστικών τυχαίων μεταβλητών της τιμής συναισθήματος emoji, που χρησιμοποιείται για την έκφραση πιθανότητας, c ∈ [−1, 0, +1] .
  • Εμπιστοσύνη : Είναι το σύνολο παραμέτρων κατανομής τιμών συναισθημάτων emoji, δείχνει εύλογο εύρος σφάλματος με τη μορφή θετικού και αρνητικού διαστήματος. Και όσο μεγαλύτερος είναι ο αριθμός των δειγμάτων σωμάτων, τόσο μικρότερο είναι το σφάλμα.

Με απλά λόγια, όσο πιο κοντά είναι ο δρομέας προς τα αριστερά, το συναίσθημα αυτού του emoji είναι πιο αρνητικό. Αντιθέτως, όσο πιο κοντά είναι ο δρομέας προς τα δεξιά, τόσο πιο θετικό συναίσθημα εκφράζεται από αυτό το emoji. Και όσο πιο στενός είναι ο δρομέας, η κρίση του συναισθήματος είναι πιο ακριβής.


Τώρα, μπορείτε να καταλάβετε το γράφημα ανάλυσης συναισθημάτων emoji;

Τι είναι η ανάλυση συναισθημάτων;

Πιστεύω ότι έχετε κατανοήσει το γράφημα δεδομένων της ανάλυσης συναισθημάτων emoji, οπότε ας μιλήσουμε για το τι είναι η ανάλυση συναισθημάτων.

Η ανάλυση συναισθημάτων ονομάζεται επίσης εξόρυξη γνώμης. Από τεχνικής απόψεως, η ανάλυση συναισθημάτων αποτελεί μέρος της έρευνας επεξεργασίας φυσικής γλώσσας (NLP). Οι μέθοδοι ανάλυσης συναισθημάτων χωρίζονται σε δύο τύπους: Μηχανική εκμάθηση και μέθοδοι βασισμένες στο Λεξικό . Όμως, με την ανάπτυξη της τεχνολογίας βαθιάς μάθησης, η χρήση αυτής της τεχνολογίας για ανάλυση συναισθημάτων έχει καταστεί το κυρίαρχο.

Η διαδικασία ανάλυσης συναισθημάτων περιλαμβάνει προεπεξεργασία δεδομένων, μηχανική χαρακτηριστικών και εκπαίδευση μοντέλων. Σε γενικές γραμμές, το στάδιο προεπεξεργασίας δεδομένων διαιρεί κυρίως το κείμενο σε λέξεις και αφαιρεί τις λέξεις διακοπής και τα σημεία στίξης. Ωστόσο, η ανάλυση συναισθημάτων μας διατηρεί σημεία στίξης και λέξεις διακοπής. Στο στάδιο της μηχανικής χαρακτηριστικών, επιλέξαμε την αναπαράσταση ενσωμάτωσης λέξεων (Word2Vec) που προτάθηκε από την ομάδα της Google το 2013, η οποία χωρίζεται στο μοντέλο CBOW (συνεχής τσάντα λέξεων) και στο μοντέλο Skip-gram . Τα αποτελέσματα του μοντέλου έχουν ως εξής:

💡: Στα αριστερά βρίσκεται το μοντέλο CBOW, στα δεξιά είναι το μοντέλο Skip-gram

Το CBOW βασίζεται στο πλαίσιο για την πρόβλεψη της λέξης-στόχου που θα εκπαιδεύσει για τη λήψη του διανύσματος λέξης. Όπως φαίνεται στο σχήμα, το W (t) προβλέπεται βάσει τεσσάρων λέξεων W(t-2), W(t-1), W(t+1), W(t+2) . Και το skip-gram είναι να προβλέψουμε τις γύρω λέξεις σύμφωνα με τη λέξη-στόχο για να εκπαιδεύσουμε τη λήψη του διανύσματος λέξης. Όπως φαίνεται στο σχήμα είναι η πρόβλεψη W(t-2),W(t-1),W(t+1),W(t+2) σύμφωνα με το W (t) .

Στο στάδιο πρόβλεψης μοντέλου, χωρίζουμε τα δεδομένα σε δύο μέρη: Το σετ προπόνησης διαιρούμενο σε αναλογία 5: 1 και το σετ δοκιμής και το σετ προπόνησης υποβάλλονται σε επεξεργασία εκτός λειτουργίας.

Εφαρμογή ανάλυσης συναισθημάτων στο emoji

Η ανάλυση συναισθημάτων είναι μια ολοκληρωμένη μέθοδος ανάλυσης που συνδυάζει βαθιά μάθηση και στατιστικά στοιχεία. Έχουμε αποκτήσει την τιμή συναισθημάτων του emoji μετά από πολύπλοκη ανάλυση και υπολογισμό των δέσμων δεδομένων και η πλήρης διαδικασία ανάλυσης συναισθημάτων emoji έχει ως εξής:

Η διαδικασία της ανάλυσης συναισθημάτων Emoji

  • Επισήμανση εταιρικού δικτύου κοινωνικής δικτύωσης
  • Προεπεξεργασία δεδομένων
  • Διαίρεση του συνόλου δεδομένων: Σετ προπόνησης (80%), Σετ δοκιμών (20%)
  • Χρησιμοποιήστε το νευρωνικό δίκτυο LSTM για να δημιουργήσετε ένα μοντέλο
  • Ανάλογα με την απόδοση του μοντέλου στο σετ δοκιμών, προσαρμόστε τις υπερπαραμέτρους για να βελτιώσετε την ικανότητα γενίκευσης του μοντέλου
  • Εκτελέστε την ίδια ενέργεια προεπεξεργασίας δεδομένων σε δεδομένα χωρίς ετικέτα
  • Χρησιμοποιήστε το εκπαιδευμένο μοντέλο πρόβλεψης συναισθημάτων για να προβλέψετε την τάση του συναισθήματος σε δεδομένα χωρίς ετικέτα

Πραγματοποιούμε ανάλυση συναισθημάτων στο emoji και χρησιμοποιούμε τεχνολογία βαθιάς μάθησης για να εκπαιδεύσουμε να αποκτήσουμε έναν ταξινομητή συναισθημάτων κειμένου emoji. Για το επίπεδο εξόδου του ταξινομητή, επιλέγουμε τη συνάρτηση sigmoid για ενεργοποίηση και προβάλλουμε τα αποτελέσματα του επιπέδου εξόδου στο διάστημα 0-1. Όσο πιο κοντά είναι το κείμενο στο 0, τόσο πιο αρνητικό είναι και όσο πιο κοντά είναι στο 1, τόσο πιο θετικό είναι.

Ο τύπος της λειτουργίας σιγμοειδούς είναι: F(x)=1/(1+ex)

Χρησιμοποιούμε ένα μεγάλο δείγμα δεδομένων 50 εκατομμυρίων tweets που περιέχουν emoji ως corpus ανάλυσης και στη συνέχεια θέτουμε το corpus να αναλυθεί στον εκπαιδευμένο ταξινομητή συναισθημάτων για πρόβλεψη συναισθημάτων. Τέλος, τα αποτελέσματα της πρόβλεψης συναισθημάτων από τον ταξινομητή χωρίζονται σε τρεις τύπους: αρνητικό, ουδέτερο και θετικό. Τα κριτήρια ταξινόμησης είναι:

Τέλος πάντων, είναι δύσκολο, αλλά το καταφέραμε !!

Η χρήση και η προοπτική της ανάλυσης συναισθημάτων Emoji

Η ανάλυση συναισθημάτων χρησιμοποιείται ευρέως στο μάρκετινγκ, τη διαφήμιση, την ψυχολογία, την ιατρική και άλλους τομείς. Αποφασίσαμε να κάνουμε την ανάλυση συναισθημάτων emoji είναι να βοηθήσουμε τους ανθρώπους να κατανοήσουν βαθύτερα τα emoji στην πραγματική κοινωνική αλληλεπίδραση, να εξαλείψουν την ασάφεια και την παρανόηση των emoji πιο αποτελεσματικά.

Για παράδειγμα, όταν συνομιλείτε με τον φίλο σας (ή τη συντριβή σας) στο διαδίκτυο, το άλλο άτομο μπορεί μερικές φορές να σας στείλει emoji που δεν καταλαβαίνετε. Στην πραγματικότητα, υπάρχουν πολλές καταστάσεις όπως αυτή, όπως:

  • Τι σημαίνει someone αν κάποιος απαντήσει στη φωτογραφία μου;
  • Τι σημαίνει όταν ένα κορίτσι μου στέλνει 😊 ;
  • Αν με στείλει η συντριβή μου , είναι καλό σημάδι;

Όπως γνωρίζουμε, δεν μπορείτε να πείτε την ακριβή σημασία ενός emoji, ωστόσο, μέσω της ανάλυσης συναισθημάτων μας, μπορείτε να αναλύσετε αυτά τα emoji ψυχολογικά, όπως "μου έστειλε ένα 💞, είναι θετικό σημάδι, ίσως πρέπει να της ζητήσω" ή " γιατί ο φίλος μου μου στέλνει ένα 😒; Είναι κάπως αρνητικό, με τρελώνει; " , κάτι σαν αυτό. Με την Ανάλυση συναισθημάτων Emoji , πιστεύω ότι μπορείτε να καταλάβετε τα emoji πιο βαθιά.


Συνολικά, έχουμε πληρώσει πολλά για αυτό το έργο ανάλυσης συναισθημάτων emoji. Παρόλο που είναι δύσκολο, θέλουμε ακόμα να το κάνουμε βαθύτερο. Αναλύουμε τώρα τα emoji σε διαφορετικές γλώσσες, τη συναισθηματική επίδραση του emoji στο καθαρό κείμενο και πολλές άλλες προηγμένες μελέτες έχουν επίσης εξεταστεί. Όλα αυτά είναι για να διερευνήσουν περισσότερη χρήση των emoji και ελπίζουμε ότι τα emoji είναι ενδιαφέροντα και ενημερωτικά.

Αναζήτηση πρόσφατα Πρόσφατα Δεν υπάρχει πρόσφατη χρήση emoji Emojify... Emojify Success