10 trend della Sentiment Analysis

Le tecniche ed i metodi in materia di sentiment analysis trovano la loro origine negli studi dell’analisi dei testi, ma sono oggi orientati anche verso altri ambiti di applicazione che si focalizzano sempre più sull’analisi di dati non strutturati e più complessi da gestire. Alcuni esempi sono la speech analysis, volta allo studio delle conversazioni e dei messaggi audio, e l’emotion analysis, che prende in considerazione immagini ed espressioni facciali.

Tra i principali analisti nel settore della text analysis e sentiment analysis vi è Seth Grimes, fondatore del Sentiment Analysis Symposium, che conferma la nascita di nuovi metodi e adozioni della emotion analysis. Egli individua quattro tendenze future della sentiment analysis che definisce “relativamente lente”:

  • uno spostamento verso lo studio delle categorie emotive piuttosto che lo studio limitato della polarità, positiva o negativa, di un testo;
  • una più raffinata analisi anche delle frasi complesse, consentita dallo sviluppo e dall’adozione di nuove tecniche “cognitive”;
  • una migliore comprensione del contesto, perché gli strumenti sono sempre meglio adattati a particolari “frames”, visto che le stesse parole inserite in contesti diversi assumono significati diversi;
  • una maggiore apertura dell’applicazione delle tecniche di sentiment analysis verso altre lingue diverse dall’inglese.

Grimes prevede che entro il 2018 la sentiment analysis si avvierà verso la strada del machine-generated natural language, in quanto già oggi la natural language generation (NLG) ha alcuni accenni di comprensione delle espressioni emotive.

I 10 trend tecnologici rilevanti per il futuro della Sentiment Analysis

1. La regola sarà il supporto multilingua

Finora si sono consolidate le analisi dei testi basate sulla lingua inglese, ma cresce sempre di più l’esigenza si coprire anche altre lingue. In questo caso il machine learning e la traduzione automatica hanno agevolato questo gap, ma nell’immediato futuro sarà necessario che i fornitori di questi servizi adottino nuove soluzioni per aprire il proprio bacino di business.

2. La capacità di analisi del testo sarà una capacità chiave a supporto del business

Si tratta di una tendenza “quali – quantitativa”. Di pari passo cresce l’esigenza di curare l’esperienza del cliente e di ascoltarlo, motore che spinge il settore del sentiment e text analytics a sviluppare strumenti e metodi di analisi sempre più precisi e sofisticati. Allo stesso tempo si tratta di una tendenza quantitativa, perché all’aumentare della domanda crescerà il numero di fornitori e competitor disposti a vendere servizi e soluzioni diverse, fino a modificarne profondamente il mercato.

3. Machine learning, statistiche e ingegneria del linguaggio saranno tecniche che continueranno a coesistere

La tendenza volge verso un apprendimento più profondo dei testi grazie all’impiego delle reti neurali e altre tecnologie simili, facendo sì che il computer riesca ad individuare il corretto senso della frase anche se espressa nel linguaggio del parlato spontaneo. Finora si continuerà ad utilizzare mix di tecnologie diverse – tra cui reti lessicali, semantiche, parser e sistemi sintattici – per garantire maggior precisione delle analisi testuali e implementare nuovi metodi di classificazione.

4. L’Image Analysis sarà un mainstream

È la nuova opportunità di business. Ad oggi si stanno già applicando diverse tecnologie per decifrare le immagini legate al brand o al suo prodotto pubblicate attraverso i social media: un esempio è il case study di Pulsar condotto su Instagram. La tendenza crescente del settore dell’image analysis e visual recognition ha portato IBM ad acquisire AlchemyAPI nel 2015.

5. Ci sarà il boom dell’analisi audio e video

Anche grazie alla tendenza sempre crescente dell’uso degli smartphone, aumentano i messaggi vocali e i video che le persone condividono tra loro. Già dal 2016 molte aziende attiveranno progetti incentrati sulla speech analysis (analisi vocale) e sulla speech to-text (trascrizioni), su cui si baseranno nuovi metodi per interfacciarsi con il cliente.

6. Si espanderà l’Emotion Analytics

Da sempre sappiamo che le emozioni influiscono in modo preponderante sulle decisioni di consumo: è nato così il bisogno di studiare le emozioni e quantificarle. Con il termine emotion analytics si fa riferimento allo studio delle espressioni facciali, prese da foto o video, considerato una sottocategoria della sentiment analysis. Il suo obiettivo consiste nel quantificare le reazioni emotive e ricondurle a precisi fatti o stimoli, quindi a ciò che vediamo, ascoltiamo o leggiamo.

7. Standardizzazione dell’Emoji Analytics

Gli utenti usano sempre di più le emoji, perché “compattano” il messaggio, sono facili da usare e sono divertenti. Un esempio è il caso di Facebook che ha permesso ai suoi utenti di esprimere le proprie emozioni attraverso le emoji. Ora la domanda è: come analizzare le emoji al fine di comprendere le emozioni e il comportamento dei consumatori? È da qui che nasce l’esigenza di creare uno standard universale per interpretare il loro significato e sviluppare analisi capaci di arrivare a fare una classificazione semantica delle emoji, andando oltre il mero conteggio.

8. Incremento del numero di informazioni e dettagli provenienti dai network

Studiare l’insight significa comprendere i messaggi, le connessioni e come vengono attivati ​​i collegamenti. L’informazione è contenuta nel testo del messaggio, ma anche la struttura della rete – come gli utenti sono connessi tra loro – ci fornisce altri dati che ci permettono di comprendere meglio il senso del messaggio. Da qui l’importante necessità di integrare le analisi con un data base grafico e con strumenti di graph data visualizaton come Neo4j, d3.js e Gephi. Si investirà sempre di più su piattaforme di data-analytics come QlikView, che potranno essere applicate in combinazione con testi e digital analytics.

9. Inizieremo a leggere ed interagire con testo generato da macchine

Il natural language generation (NLG) consiste nella capacità delle macchine di comporre lunghi testi – come articoli, email, riassunti, traduzioni – considerando anche le regole sintattico-lessicali e il contesto nel quale il tema è inserito. Questo comporterà che molti articoli riguardo a temi come lo sport, il reporting o la finanza, potranno essere scritti direttamente da computer capaci anche di individuare ed analizzare i dati relativamente al tema trattato.

10. È arrivato il momento della traduzione simultanea multilingua ad opera di macchine

Nel 1950 si riteneva che la traduzione automatica e precisa dei testi sarebbe stato un problema risolvibile da lì a pochi anni, ma non è stato così. Ad oggi ancora non esiste un traduttore universale preciso ed affidabile, ma grazie ai big data e al machine learning, secondo Seth Grimes già da questo anno la traduzione simultanea multilingua sarà abbastanza buona per la maggior parte delle attività richieste.

 

Facebook Comments

LEAVE A REPLY

Please enter your comment!
Please enter your name here