Analizator sentymentu AI

Co Ci to mówi

Wklej fragment tekstu, naciśnij Analizuj, a strona wskaże, czy tekst brzmi pozytywnie czy negatywnie, wraz z oceną dla każdej ze stron. Nie ma opcji neutralnej: wyższa ocena staje się nagłówkiem, a pasek postępu przechyla się na tę stronę.

To klasyfikator polaryzacji, a nie pełny system analizy sentymentu. Nie wyodrębnia aspektów, nie etykietuje emocji takich jak złość czy radość i nie wyjaśnia, które słowa wpłynęły na wynik. Odpowiada na jedno wąskie pytanie — czy ten tekst brzmi przychylnie czy nieprzychylnie? — a interpretację pozostawia Tobie.

Model

Dołączony model to klasyfikator polaryzacji na poziomie zdania w tradycji SST-2: krótkie zdania angielskie, głównie recenzje filmów, oznaczone jako pozytywne lub negatywne. To pochodzenie ma znaczenie. Dobrze radzi sobie z opiniami wyrażonymi zwykłym, wartościującym językiem, a słabiej z tekstem faktograficznym, w którym nie ma opinii do wykrycia.

Obie oceny zwykle sumują się do około jednego, ponieważ bazowy klasyfikator przypisuje prawdopodobieństwo do każdej klasy. Strona pokazuje obie, ale duża etykieta i pasek podążają tylko za wyższą z nich.

Jak rysowany jest wynik

Gdy wygrywa ocena pozytywna, panel pokazuje uśmiechniętą ikonę, słowo Pozytywna na zielono oraz pasek, którego szerokość wynosi 50 procent plus połowę oceny pozytywnej. Ocena pozytywna 0.90 rysuje więc pasek o szerokości 85 procent, a nie 90 procent. Pasek to wizualne odchylenie od punktu środkowego, a nie bezpośrednie odwzorowanie oceny.

Gdy wygrywa ocena negatywna, ta sama matematyka stosuje się do oceny negatywnej, a etykieta zmienia kolor na czerwony. Jeśli oceny są dokładnie równe, kod wchodzi w gałąź negatywną, więc idealny remis jest wyświetlany jako Negatywna.

Pod paskiem oba procenty są wydrukowane obok siebie, oznaczone jako Negatywna i Pozytywna. To są prawdziwe liczby; pasek jest tylko podsumowaniem. Przycisk Wyczyść opróżnia pole tekstowe, resetuje licznik znaków i ukrywa wynik.

Krok po kroku

1. Wklej lub wpisz tekst w polu. Licznik znaków aktualizuje się podczas pisania.
2. Przycisk Analizuj pozostaje nieaktywny, dopóki nie ma co najmniej trzech znaków.
3. Przy pierwszym uruchomieniu przeglądarka pobiera środowisko uruchomieniowe tekstu i model BERT. Panel nazywa każdy etap.
4. Naciśnij Analizuj sentyment. Wynik zastępuje pusty stan.
5. Edytuj tekst i analizuj ponownie, aby porównać; model pozostaje załadowany.

Przycisk Wczytaj model AI wstępnie ładuje wszystko, jeśli chcesz uniknąć oczekiwania przy pierwszym uruchomieniu. Po załadowaniu zmienia się w zielony stan „Model gotowy”.

Uczciwe czytanie ocen

Ocena to pewność klasyfikatora co do etykiety, a nie zmierzona intensywność odczucia. 0.95 pozytywna oznacza, że model jest pewien, iż zdanie należy do klasy pozytywnej; nie oznacza, że zdanie jest skrajnie pozytywne. Łagodnie przychylna recenzja i zachwycona mogą obie osiągnąć wynik blisko 0.99.

Małe różnice to szum. Wynik 0.52 pozytywna wobec 0.48 negatywna jest bliski rzutowi monetą, a przeformułowanie jednego słowa może go odwrócić. Wszystko w przedziale od 0.45 do 0.55 traktuj jako nierozstrzygnięte, a nie jako słabo pozytywne.

Długi tekst to szczególny przypadek. Model ma stałe okno wejściowe, więc długi fragment jest efektywnie obcinany lub wewnętrznie streszczany. Recenzja, która chwali pięć cech i krytykuje jedną, może zostać sklasyfikowana na podstawie tej części, która dominuje w otwarciu, a wyświetlana ocena nie ostrzeże Cię, że większość tekstu została zignorowana.

Gdzie to działa

• Krótkie zdania z opinią. „Bateria wytrzymuje cały dzień” lub „Aplikacja ciągle się zawiesza” mają dokładnie taki kształt, na jakim model był trenowany.
• Selekcja recenzji. Sortowanie stosu komentarzy na ogólnie pozytywne i ogólnie negatywne przed ich przeczytaniem.
• Szybkie sprawdzanie tonu. Kontrola nagłówka, hasła reklamowego lub odpowiedzi do klienta.
• Nauczanie. Zwięzła demonstracja, jak klasyfikator tekstu zamienia słowa w dwa prawdopodobieństwa.
• Filtrowanie. Oznaczanie prawdopodobnych skarg w skrzynce wsparcia do przeglądu przez człowieka.

Gdzie to zawodzi

Sarkazm to klasyczna porażka. „Świetnie, kolejne opóźnienie” zawiera pozytywne słownictwo i negatywne znaczenie, a model często czyta słowa, a nie intencję. Ironia, komplementy z przytykiem i pytania retoryczne są równie zawodne.

Negacja jest obsługiwana nierównomiernie. „Nieźle” i „niedobrze” są blisko siebie w słownictwie, ale przeciwne w znaczeniu, a pojedyncza negacja może zostać pominięta w dłuższym zdaniu. Mieszany sentyment jest również spłaszczany: akapit, który chwali produkt i potępia dostawę, staje się jedną etykietą, bez wskazania, że obie opinie istnieją.

Tekst faktograficzny i neutralny jest zmuszany do wartości binarnej. Arkusz specyfikacji, nagłówek informacyjny lub klauzula prawna nie mają polaryzacji, a klasyfikator i tak zwraca zwycięzcę. Traktuj takie wyniki jako bez znaczenia, a nie jako łagodną skłonność.

Przesunięcie domeny ma znaczenie. Model uczył się na języku recenzji filmowych; recenzje produktów, wiadomości czatowe, tweety, notatki kliniczne i tekst w językach innych niż angielski zachowują się inaczej. Emoji, slang i skróty są dla niego w dużej mierze niewidoczne.

Czego nie robi

Brak klasy neutralnej, brak etykiet emocji, brak sentymentu opartego na aspektach, brak podziału na zdania, brak podświetlania słów kluczowych, brak wyjaśnienia, brak wykrywania języka, brak tłumaczenia i brak analizy wsadowej. Nie ocenia intensywności w skali i nie mówi, dlaczego tekst został sklasyfikowany w taki sposób.

Prywatność

Tekst jest przetwarzany lokalnie w WebAssembly. Nic nie jest wysyłane na serwer i nic nie jest przechowywane po zamknięciu strony. Środowisko uruchomieniowe i model są pobierane z publicznych sieci CDN przy pierwszym użyciu, co ujawnia, że narzędzie zostało otwarte, ale nie to, co wpisano. Dzięki temu można go używać do notatek wewnętrznych i wiadomości od klientów, z zastrzeżeniem własnych zasad dotyczących danych.

Ograniczenia

Jeden tekst naraz, brak przesyłania plików, brak trybu wsadowego, brak wyboru języka i brak regulowanego progu. Okno wejściowe modelu ogranicza ilość długiego dokumentu, która jest faktycznie brana pod uwagę. Wymagana jest nowoczesna przeglądarka z WebAssembly i dostępem do sieci przy pierwszym ładowaniu.

Częste błędy

• Oczekiwanie wyniku neutralnego. Model ma tylko dwie klasy i zawsze wybiera jedną.
• Traktowanie wyniku jako intensywności. To pewność co do etykiety, a nie siła odczucia.
• Analizowanie całego artykułu. Długi tekst jest obcinany, a wynik może odzwierciedlać tylko jego część.
• Zaufanie do wykrywania sarkazmu. Ironia rutynowo odwraca pozorną polaryzację.
• Używanie go do tekstu faktograficznego. Specyfikacje i wiadomości nie mają opinii do sklasyfikowania.
• Odczytanie wyniku 52 procent jako ustalenia. Bliskie remisy są niestabilne i łatwo się odwracają.

Często zadawane pytania