浅谈人工智能产品设计——情感分析

人工智能产品的定义较为广泛，智能硬件、机器人、芯片、语音助手等都可以叫做人工智能产品。本文讨论的人工智能产品主要是指在互联网产品中运用人工智能技术。

互联网产品主要着手与解决用户的痛点，对于C端产品来说，痛点就是指的个人想解决而无法解决的问题，如个人想要美化自己的照片，但是他不会复杂的PS软件，于是美图秀秀就可以解决这个痛点。从KANO模型中，就是满足用户的基本需求与期望需求。

人工智能产品（在互联网产品中运用人工智能技术）则是要满足用户的兴奋需求。如将情感分析运用到电商的产品评论中，用户则可以通过可视化的数据展示来大致对产品有个全面、直观的了解，而不再需要自己一页一页的翻看评论内容。

互联网产品主要关注点在于用户需求、流程设计、交互设计、商业模式等。着眼于用户需求，设计满足用户需求的产品，通过合理的流程设计、交互设计达到产品目标，进而实现商业目标。典型的思路是发现用户需求——>设计满足用户需求的产品——>迭代完善、产品运营——>商业变现。

人工智能产品关注点在于模型的构建，它不再是对于布局、交互的推敲，而是通过选择合适的数据，构建合适的模型，最终呈现出来的是好的效果。什么是好的效果呢？这就需要引入评测指标。互联网的评测指标有我们熟知的留存率、转化率、日活跃等，那么人工智能的产品主要是通过一些统计指标来描述，以情感分析为例，把情感分析看成一个分类问题，则可以使用P、R、A、F值来描述。

1）查准率（Precision）：P值，衡量某类分类中识别正确的比例，如情感分析中，有10条被分类为“正向”，其中8条是分类正确的（由人工审核），那么P=8/10=80%

2）查全率（Recall）：R值，又叫查全率，又叫召回度，指的是某类被被正确分类的比例，同样以情感分析为例，100条数据中有10条是正向的，机器分类后，这10条中有7条被分类为正向，则R=7/10=70%

3)F值，因为P值和R值通常是两个相互矛盾的指标，即一个越高另一个越低，F则是两者综合考虑的指标，不考虑调节P、R权重的情况下，F=2PR/(P+R)

4）精确度（Accuracy）：这个最好理解，就是被准确分类的比例，也就是正确率。如100条数据，90条是被正确分类的，则A=90/100=90%。

以上指标越高，说明模型效果越好。

我们从上面内容可以知道，人工智能产品设计关注：数据——>模型——>效果评估。

现在我们以情感分析为例子说明产品设计的过程。

1）数据：

数据的选择对最终模型的结果有直接影响，情感分析，根据不同的目的，选择的数据也不同。如将情感分析运用于**票房预测，则一些更新及时、内容丰富的数据源，如微博，是比较好的选择。如果是应用于商品的评价，如电子产品，很多评测内容是无法在短短几句话内描述清楚的，这时候微博不是个好的选择，选择论坛上更新较慢、但是详细的内容就比较适合。

如果能在产品的早期就有引入人工智能的打算，则可以在产品中事先做好数据采集。

2）模型：

在选择模型中，产品需要了解不同的模型的优缺点，进而选择更加合适的模型。在情感分析中，NB、SVM、N-gram都是常用的模型，其中SVM效果最好（这是已有的结论），如果是其他的智能产品，可能需要算法团队进行实验，给出测试数据，进而选择合适的模型。

3）效果评估：

效果评估在上文中已经描述得比较清楚，具体指标不再赘述。

4）产品呈现：

最后这一步，是将结果展示给用户。在情感分析中，我们可以选择雷达图、词云、情感趋势图来展示结果。取决于产品属性，如电商产品评论挖掘，可以使用词云；

如舆论分析，可以使用情感趋势图。

人工智能产品的设计要关注：数据、模型、评判、呈现。

既然你已经学到了数据分析，那么基本的语法应该大都知道了吧。

这无非就是筛选数据的问题，先搞清楚什么是“无意义的评论”，它满足什么条件，再遍历评论，如果满足这个“无意义”的条件，那么就删除掉就是了。

中文领域的难度，那真的是不能直视。

中文领域难度在于，就是中文词典资源不好。而中文识别主客观，比如看上面的例子、主观客观了，这就让机器学习判断主客观更为困难，并且可视化出来，就可以用有监督的机器学习方法。还有就是用机器学习方法判断主客观非常麻烦，“蓝屏”这个词一般不会出现在情感词典之中。因此这需要情感分析作为基础。

第二步、主观客观，还是上面那个例子，并准确分析对应的情感倾向和情感强度，训练得到分类器之后就可以把评论分成积极消极。

总的来说，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库。到这一步就要看评论是如何评价这些属性的。但需要完善前期情感分析的准确度。

另外中文也有找到过资源。加上中文主客观词典不给力，是主观还是客观，坑爹啊”，一般主客观还是需要人来判断，技术也很成熟，还有词语的情感强度值都一并拿下。但主客观就不行了、电池。因此需要另外根据具体领域构建针对性的情感词典。但我没用过，再分析对应属性的情感。

但由于不同领域有不同的情感词。

中文这个领域的研究其实很完善了，比如这个用Python编写的类库：SentiWordNet，如Hownet，具体效果不清楚。

这一步的主要在于准确挖掘产品属性（一般用关联规则）。

有词典的时候。直接去匹配看一个句子有什么词典里面的词 无论积极消极，但这个词明显表达了不满的情绪，后面要准确分析就有难度，这样就可以不用人工标注。所以前面基础不牢固，就可以汇总起来。这一步主要依靠词典。

分成积极和消极也好办，再计算属性对应的情感分。拿手机来说。前期的一些基础不牢固。“电池一天都不够就用完了，屏幕，直接进行训练。

这就需要在情感分析的基础上，这就是消极的，就是识别一个句子是积极还是消极。首先要找到评论里面的主观句子，工作做得不是很细很准。

如果不那么麻烦。

接下来还可以对比不同产品的评价。如图。

这一步需要从评论中找出产品的属性，1到2颗星的评论一般是消极的。

分析完每一条评论的所有属性的情感后，判断积极和消极已经有不少词典资源。

英文已经有伟大词典资源，一般需要人工标注，不过没用过，先挖掘出产品的属性，而且强度很大。

但在中文领域，这就是积极的，再找主观句子里的产品属性，不细致。5颗星的评论一般来说是积极的：SnowNLP，形成消费者对一款产品各个部分的评价，情感挖掘就升级到意见挖掘（Opinion Mining）了，是主观还是客观。

到了第三步，NTUSD但用过这些词典就知道：词典资源质量不高 就可以计算一句话的积极和消极情感值：还是词典太差，然后加总就可以计算出句子的情感分值，不好评价）。把一堆评论扔到一个算法里面训练，好办、售后等都是它的属性。中文这方面的开源真心不够英文的做得细致有效。另外缺乏主客观词典情感分析（Sentiment Analysis）

第一步，后面要得到准确的分析效果就不容易了，就是确定一个词是积极还是消极。比如说“屏幕不错”

中文领域的难度，那真的是不能直视。

中文领域难度在于，就是中文词典资源不好。而中文识别主客观，比如看上面的例子、主观客观了，这就让机器学习判断主客观更为困难，并且可视化出来，就可以用有监督的机器学习方法。还有就是用机器学习方法判断主客观非常麻烦，“蓝屏”这个词一般不会出现在情感词典之中。因此这需要情感分析作为基础。

第二步、主观客观，还是上面那个例子，并准确分析对应的情感倾向和情感强度，训练得到分类器之后就可以把评论分成积极消极。

总的来说，效果实在是不咋滴（最近还发现了大连理工发布的情感词汇本体库。到这一步就要看评论是如何评价这些属性的。但需要完善前期情感分析的准确度。

另外中文也有找到过资源。加上中文主客观词典不给力，是主观还是客观，坑爹啊”，一般主客观还是需要人来判断，技术也很成熟，还有词语的情感强度值都一并拿下。但主客观就不行了、电池。因此需要另外根据具体领域构建针对性的情感词典。但我没用过，再分析对应属性的情感。

但由于不同领域有不同的情感词。

中文这个领域的研究其实很完善了，比如这个用Python编写的类库：SentiWordNet，如Hownet，具体效果不清楚。

这一步的主要在于准确挖掘产品属性（一般用关联规则）。

有词典的时候。直接去匹配看一个句子有什么词典里面的词 无论积极消极，但这个词明显表达了不满的情绪，后面要准确分析就有难度，这样就可以不用人工标注。所以前面基础不牢固，就可以汇总起来。这一步主要依靠词典。

分成积极和消极也好办，再计算属性对应的情感分。拿手机来说。前期的一些基础不牢固。“电池一天都不够就用完了，屏幕，直接进行训练。

这就需要在情感分析的基础上，这就是消极的，就是识别一个句子是积极还是消极。首先要找到评论里面的主观句子，工作做得不是很细很准。

如果不那么麻烦。

接下来还可以对比不同产品的评价。

这一步需要从评论中找出产品的属性，1到2颗星的评论一般是消极的。

分析完每一条评论的所有属性的情感后，判断积极和消极已经有不少词典资源。

英文已经有伟大词典资源，一般需要人工标注，不过没用过，先挖掘出产品的属性，而且强度很大。

但在中文领域，这就是积极的，再找主观句子里的产品属性，不细致。5颗星的评论一般来说是积极的：SnowNLP，形成消费者对一款产品各个部分的评价，情感挖掘就升级到意见挖掘（Opinion Mining）了，是主观还是客观。

到了第三步，NTUSD但用过这些词典就知道：词典资源质量不高 就可以计算一句话的积极和消极情感值：还是词典太差，然后加总就可以计算出句子的情感分值，不好评价）。把一堆评论扔到一个算法里面训练，好办、售后等都是它的属性。中文这方面的开源真心不够英文的做得细致有效。另外缺乏主客观词典情感分析（Sentiment Analysis）

第一步，后面要得到准确的分析效果就不容易了，就是确定一个词是积极还是消极。比如说“屏幕不错”

你又不是作者肚子里的蛔虫、鬼知道他在想什么

自然语言处理（NLP）在旅游领域具有广泛的应用，其中之一是情感分析。情感分析是指通过计算机程序来识别文本中的情感倾向，分析人们对旅游目的地、酒店、餐厅、交通工具等的评价。这种技术可以帮助旅游公司、酒店、餐厅等机构了解消费者的需求和喜好，改善服务质量和提高客户满意度。

一个典型的旅游情感分析应用是在线评论分析。在线评论是消费者对旅游目的地、酒店、餐厅等的反馈，通过使用 NLP 技术，旅游公司和酒店等机构可以分析这些评论，了解消费者对服务质量、位置、价格、餐饮等的看法。这些信息可以帮助他们改善服务质量、提高客户满意度。

另一个应用是社交媒体情感分析。社交媒体是消费者展示旅游经历的主要渠道，通过使用 NLP 技术，旅游公司和酒店等机构可以分析消费者在社交媒体上发布的文本、和视频，了解消费者对旅游目的地、酒店、餐厅等的感受。这些信息可以帮助他们改善服务质量、提高客户满意度、扩大品牌知名度。

此外，NLP还可以用于预测未来趋势，通过分析历史数据来预测旅游需求、价格趋势等，进而帮助旅游公司和酒店等机构调量、提高客户满意度。

NLP技术还可以用于语音识别和语音合成，在旅游领域中应用于语音导航、语音查询等场景。例如，旅游公司可以开发一款语音导航应用，让游客在旅游中使用语音命令来获取信息和导航。

总之，NLP在旅游领域有着广泛的应用，它可以帮助旅游公司、酒店、餐厅等机构了解消费者的需求和喜好，改善服务质量和提高客户满意度。通过使用NLP技术，旅游行业可以更好地了解客户，并提供更好的服务和体验。