解码品牌情绪:利用客户评论,利用自然语言处理和Tableau进行深入的品牌感知分析

科学领域:

• 数据科学数据科学数据科学
• 人工智能的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 传统的反方法对于实时在线评论是不够的.
• 在像智能手机这样的竞争性市场上,分析客户情绪对于品牌认知和产品战略至关重要.

研究的目的:

• 开发一个端到端的分析管道,将非结构化的在线评论转化为可操作的业务洞察力.
• 为了比较各种机器学习 (ML) 和深度学习 (DL) 模型在智能手机市场的情绪分类和主题建模方面的有效性.

主要方法:

• 利用了10个智能手机品牌的68,000个亚马逊评论数据集.
• 雇佣阶级权重,以减轻阶级不平衡的数据.
• 使用ML (决策树,物流回归,SVM,天真贝叶斯) 和DL (CNN,RNN,LSTM) 模型进行情绪分类.
• 使用隐性迪里克莱特分配 (LDA) 和非负矩阵分解 (NMF) 提取了基础主题.
• 通过使用Valence Aware词典和情感推理器 (VADER) 评估主题级情绪.
• 通过交互式Tableau仪表板可视化结果.

主要成果:

• 卷积神经网络 (CNN) 获得了最高的情绪分类准确度 (85.07%),在积极和消极评论方面表现良好,但在中性评论方面扎.
• 与隐藏的迪里克莱特分配 (LDA) 相比,非负矩阵因子化 (NMF) 主题建模产生了更多可解释的主题 (一致性得分=0.54),相比之下,隐藏的迪里克莱特分配 (LDA) (一致性得分=0.41).
• 将电池寿命和相机质量等特定功能与客户情绪联系起来.

结论:

• 综合管道,结合CNN用于情绪分析和NMF用于主题建模,提供比单独的情绪分析更丰富,更准备好开展业务的见解.
• 交互式可视化使实践者能够跟踪情绪趋势,探索主题,并有效地比较品牌表现.
• 认可的伦理考虑,包括潜在的偏见和未来关于跨领域概括和公平性的建议工作.