С экспоненциальным ростом платформ онлайн-покупок взаимодействие с пользователями осуществляется напрямую через их обзоры и рейтинги. Мнения и опыт пользователя являются важным источником ценной информации в процессе принятия решений. В последние дни почти каждый веб-сайт побуждает пользователей публично выражать и обмениваться мнениями, предложениями и мнениями, касающимися продуктов, услуг, политик и т.д.

Анализ мнений – это обширная ветвь искусственного интеллекта и форма обработки естественного языка, которая иллюстрирует отношение клиентов к конкретным услугам или продуктам. Также известный как «Анализ настроений», он направлен на определение реакции и настроения или настроения говорящего или общей контекстуальной и эмоциональной полярности или реакции. Существующие алгоритмы определяют настроение путем обучения на наборах данных, лексиконного подхода путем расчета полярности и основанного на правилах подхода к классификации. Обобщение мнений – это процесс объединения большого количества настроений и мнений в четкое и краткое изложение для более легкого понимания основного контекста. Основные методы обобщения включают: метод извлечения, ранжирование предложений, метод абстракции и кластеризацию текстовых сегментов. Следовательно, важно оценивать и классифицировать эти обзоры и представлять лаконичное мнение, чтобы пользователям было легче получить суть и общую полярность в различных обзорах, а не проходить все из них.

Сайты онлайн-шоппинга предоставили пользователям возможность поделиться своим мнением о продукте, который они приобрели или использовали, а также о том, что пользователи воспринимают его как полезное и выражают его открыто. Пользователи имеют разные взгляды и мнения о продукте, и существует множество способов выразить эти мнения, что делает его огромным количеством мнений, которые могут быть похожими, но различаться в словах. Таким образом, крайне необходимо очистить эти записи мнений и опубликовать минимизированный, краткий вывод при объединении всех обзоров (например, рейтинг сайтов, отзывы об интернет ресурсах на портале: https://web-ratings.ru/reviews_top). Анализ настроений или анализ мнений – это области, которые занимаются извлечением точных настроений рецензентов из их рецензий для получения краткого прямого обзора.

Анализ настроений – это процесс анализа мнений и эмоций по текстовым данным [1]. Это помогает в понимании отношений, мнений и эмоций через текст. Это также помогает прогнозировать скрытую информацию, присутствующую в тексте. Кроме того, существуют различные важные понятия, которые необходимо обсудить в рамках анализа настроений, такие как субъективность / объективность, полярность, уровень настроения, и их можно определить как праведные шаги для достижения конечной точки получения идеального результата после нахождения точного настроение пользователя. Обзоры могут быть классифицированы как субъективные или объективные в зависимости от их содержания, например, те, у кого есть чувство, будут субъективными, а те, которые являются фактом, будут классифицированы как объективные.

Например: я ходил в магазин Nike. Там я купил Nike 2000X, который является лучшим среди кроссовок.

Здесь первое утверждение объективно, а второе утверждение субъективно.

Этот пример проясняет идею субъективности, состоящей из мнений и объективности, фактических утверждений. Полярность обзора дает классификацию настроений, которые должны быть конкретными как позитивные, негативные или нейтральные. Уровень Чувства может быть признан как значение того, насколько глубоко была сделана оценка, скажем, уровня документа, уровня предложения или уровня фразы, но для целей обзорной классификации нам нужен второй (Уровень предложения). Классификация настроений – это задача классификации текста с целью классификации текста в соответствии с сентиментальными полярностями мнений, которые он содержит, например, хорошие или плохие, положительные или отрицательные [1]. Различные методы были введены, чтобы извлечь точный уровень чувств из блоков слова. Некоторые из которых являются настроение классификации с использованием наивного Байеса, максимальная энтропии и опорные векторы.

Общеизвестно, что с течением времени данные в Интернете растут в геометрической прогрессии, а также данные, связанные с такими продуктами, как обзоры (например, с помощью Телеграм Бота: httрs://gotm.biz/smoservicemedia_bot). Таким образом, возникла необходимость предоставить им краткое изложение, чтобы пользователю не приходилось выполнять сложную задачу обработки всех фактов, мнений и оценок, а также читать все отзывы, представленные другими людьми, а также интерпретировать и сравнивать их. Таким образом, здесь обобщение мнений вступает в картину. Обобщение мнений – это процесс анализа текста и получения краткого лаконичного вывода, которое является кратким и отображает точное значение всего проанализированного текста. Это может привести к гораздо более короткому или, возможно, до краткого изложения всего текста, проанализированного им, чтобы обеспечить суть всего текста или обзоров, предоставляя пользователям краткую простую обработку без сложного слова, которому можно доверять, и поверил. Основными источниками данных для обзоров являются такие сайты, как YELP, микроблоггинг, социальные сети или сайты электронной коммерции, например Amazon, Flipkart и т.д.

Bo  Pang и Lillian Lee в работе  “Opinion  Mining and Sentiment  Analysis” [1] провели исчерпывающее исследование в области анализа мнений, в котором рассматриваются приложения, проблемы, методы классификации и извлечения, подходы, обобщение, доступность наборов данных, последствия и даже то, как и в каких областях анализ мнений может быть полезным. Статья “Thumbs up? Sentiment Classification using Machine Learning Techniques” (Bo Pang, Lillian Lee и Shivakumar Vaithyanathan) [2], в основном обзорная статья для [1], полная подробностей о классификации настроений и проверке полярности, а также об использовании SVM, наивного байесовского алгоритма и максимальной энтропии, и проливает свет на методы машинного обучения для выполнения классификации настроений. В статье  “A Survey of Sentiment Analysis techniques” (Harpreet Kaur, Veenu Mangat и Nidhi) [3] указаны различные подходы и методологии классификации настроений. Эти методы включают в себя:

1. Словарь на основе поиска синонимов и антонимов и добавления их в начальный список.
2. Субъективная лексика, которая классифицирует каждое слово на положительные, отрицательные и нейтральные категории.
3. Корпус на основе, где мы имеем дело с полным контекстом текста и классифицируем его как положительный или отрицательный.

В  статье  “Machine Learning Algorithms for Opinion Mining and Sentiment Classification” (Jayashri Khairnar и Mayura Kinikar) [4] сравниваются хорошо известные подходы машинного обучения, включая наивную байесовскую классификацию, максимальную энтропию и машины опорных векторов (SVM), с выводом, что SVM превосходит другие два в категоризации и что он может хорошо работать даже при меньшие тренировочные данные. В статье   “Movie   Rating   and   Review   Summarization   in   Mobile Environment” (Chien-Liang Liu, Wen-Hoar Hsaio, Chia-Hoang Lee, Gen-Chi Lu и Emery Jou) [5] предлагается подход, а именно скрытый семантический анализ (LSA) для идентификации признаков продукта, который представляет собой метод проверки связей между терминами, содержащимися в документе, таким образом извлекает термины признаков из сформированной затем матрицы параллелизма. В статье   “Opinion Mining and Sentiment Analysis on Online Customer Review” (Santhosh Kumar K L, Jayanti Desai и Jharna Majumdar) [6]  сравниваются подходы для классификации мнений с использованием наивной байесовской классификации, логистической регрессии и использования SentiWordNet, и приходит к выводу, что наивный байесовский метод был более эффективным среди трех при классификации.

В статье “Opinion  Mining:  Aspect  Level Sentiment Analysis using SentiWordNet and Amazon Web Services” (Kajal  Sarawgi  и  Vandana  Pathak) [7] в документе описана пошаговая процедура анализа настроений и обобщения отзыва клиента с указанием следующих шагов:

1. Сборник отзывов
2. Сегментация предложений и маркировка POS
3. Определение часто встречающихся функций
4. Удаление функций
5. Извлечение слов мнения
6. Идентификация ориентации мнения
7. Определение ориентации предложения
8. Подведение итогов.

В статье “Product  Aspect  Ranking  and  Its  Applications” (Zheng-Jun Zha, Jianxing Yu, Jinhui Tang, Meng Wang и Tat-Seng Chua) [8] демонстрирует вероятностный алгоритм ранжирования аспектов для идентификации различных аспектов продукта из отзывов потребителей. Алгоритм работает на следующих характеристиках – мнения потребителей по этим аспектам сильно влияют на их общее мнение о продукте. Затем он направлен на ранжирование различных аспектов продукта, чтобы оценить плюсы и минусы продукта. [9] использовал прилагательные и союзы, такие как «справедливый и законный» или «упрощенный, но хорошо принятый», чтобы уточнить и отделить одинаково связанные и противоположно связанные слова.

Использованные источники

Sentiment Analysis and Opinion Summarization of Product Feedback
Sindhu Chandra Sekharan