Introduzione alla sentiment analysis

“L’uomo deve perseverare nell’idea che l’incomprensibile sia comprensibile;
altrimenti rinuncerebbe a cercare.”
J. W. Goethe

Cos’è la Sentiment analysis

La caratteristica principale nelle scelte che quotidianamente un agente economico si trova ad affrontare è la condizione di incertezza. Un metodo indispensabile che da sempre viene utilizzato per ridurre i costi associati a tale incertezza è l’acquisizione di informazioni e soprattutto ricavare opinioni altrui riguardo, ad esempio, su determinate tipologie di prodotti da acquistare o su un candidato alle elezioni da votare. Allo stesso modo un’azienda potrebbe rispondere ai feedback dei clienti o aspiranti tali modificando i messaggi di marketing, il brand positioning e lo sviluppo dei prodotti così come un candidato politico modellare la propria proposta puntando sui temi più cari agli elettori ed evitare i più insidiosi. A ottenere tutte le opinioni, processarle e sintetizzarle è quel attuale campo di studi chiamato sentiment analysis o opinion mining (lett. Estrazione di
opinioni), una sfida della ricerca scientifica tra diverse discipline. Le opinioni e concetti associati come emozioni, attitudini, valutazioni e sentimenti sono l’oggetto principale degli studi della sentiment analysis.

Le persone esprimono sempre più le proprie opinioni, punti di vista, sentimenti sui profili social, sui blog, sui forum e trovano più comodo (e si sentono più protette) nel chiedere e dare consigli e pareri online sugli argomenti più disparati: politica, medicina e salute, cronaca, gossip, prodotti ed eventi artistici, etc… Questa enorme quantità di informazioni ha offerto l’opportunità di sviluppare teorie e tecnologie per l’elaborazione automatica del linguaggio naturale su una quantità di dati mai vista in precedenza nell’era dell’informazione.
L’analisi del sentimento (sentiment analysis) è uno dei campi degli studi computazionali che affronta i problemi dell’elaborazione automatica del linguaggio naturale legati all’estrazione e alla classificazione di opinioni e rientra tra gli ambiti di ricerca che hanno beneficiato maggiormente di questo processo di rivoluzione digitale: identificare, estrarre e classificare tutte le opinioni espresse dalle persone è un attività manualmente erculea ed un processo automatico sembra esserne proprio la soluzione migliore.

Purtroppo, nonostante i considerevoli passi avanti degli ultimi anni, il ritmo tenuto dal progresso tecnologico nell’ambito della trattazione automatica del linguaggio è ancora troppo lento: correttori ortografici e grammaticali sono ancora prevalentemente monolingue, i servizi di traduzione automatica online, sebbene utili per approssimare rapidamente il contenuto di un documento, sono ancora poco accurati, le applicazioni di analisi, comprensione e riassunto automatico di testi sono ancora lontane dal poter essere usate in modo affidabile nella realtà. Tutto ciò, principalmente, a causa della complessità intrinseca del linguaggio umano: modellizzare una lingua in modo automatico è un processo lungo e costoso e, inoltre, non è uguale per tutte le lingue.
L’inglese, seconda solo al cinese mandarino e allo spagnolo tra le lingue più parlate al mondo, è stata ed è ancora oggi la lingua più presente nei documenti online e ciò ne ha favorito notevolmente gli studi di ricerca nell’ambito dell’elaborazione del linguaggio naturale di testi scritti quali la question answering, l’information extraction, la text classification ed anche la sentiment analysis. Per la lingua italiana, invece, nonostante sia tra le 25 lingue più parlate al mondo con 63 milioni di parlanti nativi e 125 milioni di persone che la usano come seconda lingua, la ricerca nelle tecnologie automatiche legate all’elaborazione di testi è molto meno sviluppata di quella per la lingua inglese. Come risultato, vi sono meno corpora annotati o risorse specifiche e spesso si è costretti ad utilizzare, per il trattamento automatico, strumenti e software nati per la lingua inglese previa opportuna traduzione. Ma l’italiano e l’inglese sono estremamente diverse tra loro ed un modello costruito per l’una non può essere utilizzato per l’altra lingua se non accettando un elevato grado di inaccuratezza.

La sentiment analysis (SA, analisi del sentimento) rientra nel contesto più generale dell’elaborazione del linguaggio naturale, della linguistica computazionale e dell’analisi testuale e si occupa di identificare ed estrarre, in modo automatico, opinioni, sentimenti ed emozioni contenute in un qualsiasi documento testuale, sia esso un articolo di giornale, una recensione, un commento o un post su social network, blog, forum.
L’obiettivo della sentiment analysis è, quindi, quello di identificare la presenza e classificare le opinioni espresse su un determinato soggetto, oggetto o argomento o, più in generale, nell’intero documento. Nonostante questa analisi sia, da un punto di vista strettamente tecnico, una ricerca più vicina al campo dell’ingegneria dell’informazione (natural processing learning abbreviato in NLP), le sue applicazioni trovano maggior riscontro in campi come il marketing, il costumer relations management e le scienze sociali in generale per poter assumere decisioni in maniera intelligente. La ricerca in ogni caso, persino in ambito ingegneristico, ha bisogno di essere supportata da materie più umanistiche quali la linguistica e la psicologia, che servono a integrare e coadiuvare la stessa. È per questo che la sentiment analysis può essere considerata uno dei più importanti approcci moderni per realizzare analitica sociale.

Per comprendere meglio la SA dobbiamo dividerla  in due parti, ovvero Sentiment e Analisi. Il sentimento in parole povere è sentimenti, o potresti dire opinioni, emozioni e così via. Quindi, fondamentalmente, stiamo cercando di scoprire l’impressione soggettiva dell’affermazione o del testo a fuoco, non i fatti. L’analisi è la semplice tecnica per estrarre quel sentimento o sentimento nel nostro caso. Innanzitutto, dobbiamo caratterizzare il contenuto del sentimento di un’unità di testo. A volte questo è indicato anche come opinion mining con enfasi sulla parte di estrazione.

In generale, la sentiment analysis è stata studiata principalmente a tre livelli:

• Documento: l’incarico in questo livello è quello di classificare se l’intero documento esprime un’opinione positiva o negativa . Per esempio, data la recensione di un prodotto, il sistema determina se la recensione esprime complessivamente un giudizio positivo o negativo riguardante il prodotto in discussione. L’incarico è comunemente conosciuto come document-level sentiment classification. Questo livello di analisi assume che ogni documento esprime opinioni su singole entità (ad esempio un singolo prodotto). Perciò, non è applicabile a documenti che comparano entità diverse tra loro.
• Frase: l’incarico a questo livello si focalizza sulle frasi e determina se ogni frase esprime un’opinione positiva, negativa o neutra. Neutrale solitamente significa che non viene espressa alcun giudizio. Questo livello di analisi è strettamente collegato alla classificazione soggettiva che distingue le frasi oggettive, che esprimono informazioni che si attengono ai fatti, dalle frasi soggettive, che esprimono visioni e opinioni soggettive. Comunque, possiamo notare che la soggettività non è equivalente al sentimento così come una frase oggettiva può implicare opinioni, ad esempio
“Abbiamo comprato la macchina il mese scorso e il tergicristallo si è staccato”. I ricercatori hanno anche analizzato le proposizioni, ma il livello della proposizione non è ancora abbastanza, ad esempio “Apple sta facendo molto bene in questa economia disgustosa”.

• Entità e aspetti: sia l’analisi a livello del documento che quella a livello della frase non scoprono esattamente cosa piace o non piace alle persone. Il livello dell’aspetto è l’analisi più accuratamente approfondita. Questo livello prima era chiamato livello della caratteristica . Invece di guardare ai linguistici (documenti, paragrafi, frasi), questo livello guarda direttamente all’opinione stessa, poiché è basato sull’idea che un’idea consiste in un sentiment (positivo o negativo) e un target d’opinione. Un’opinione senza il suo target identificato è di uso limitato. Capendo l’importanza dell’uso del target si può anche capire meglio il problema della sentiment analysis in maniera più approfondita. Per esempio, nonostante la frase “anche se il servizio non è stato ottimo, mi piace ancora quel ristorante” chiaramente ha un tono positivo, non possiamo affermare che la frase sia interamente positiva, infatti, la frase ha enfasi positiva per quanto riguarda il ristorante, ma negativa riguardo al servizio. In molte applicazioni, i target delle opinioni sono descritti da entità e/o differenti aspetti. Pertanto, l’obiettivo di questo livello di analisi è scoprire sentimenti sulle entità e/o i loro aspetti.

Opinione e sentimento

Si osservino le seguenti definizioni di opinione e sentimento:
Opinione: ciò che si pensa di qualcuno o di qualcosa; idea, parere, giudizio.
Sentimento: ogni stato affettivo della coscienza, di segno positivo o negativo; ogni moto soggettivo dell’animo che dia una particolare tonalità
affettiva alle nostre sensazioni, rappresentazioni, idee.

Tali definizioni, seppur linguisticamente molto differenti tra loro, sono identiche dal punto di vista della sentiment analysis, poichè l’attenzione è focalizzata esclusivamente sulla polarità dell’emozione, del giudizio, del punto di vista espresso, indipendentemente che esso sia una opinione o un sentimento.

Ti potrebbe interessare anche:

Sentiment analysis: quando l’opinione conta?

Web marketing: la pubblicità che diventa virale ( UNIEURO docet)

(180)