Suchen Sie Experten in Natürlicher Sprachverarbeitung? Veröffentlichen Sie Ihre Stellenangebote bei uns und finden Sie heute Ihren idealen Kandidaten!
Veröffentlichen Sie einen JobWas ist Sentimentanalyse und was sind die wichtigsten Trends in der Sentimentanalyse heute? Lernen Sie einige der einfachsten und modernsten Sentimentanalyse-Technologien kennen und probieren Sie sie aus !
Meine erste Begegnung mit der Verarbeitung natürlicher Sprache als Fachgebiet hatte ich 2007, als ich nach meinem Bachelor-Abschluss in Physik ein Master-Studium begann. Damals unterschied sich die Technologie, die zur Sprachverarbeitung eingesetzt wurde, sehr von den heutigen hochmodernen Ansätzen.
Die Entwicklung von Techniken zur Sentimentanalyse
Stellen Sie sich vor, Ihre Aufgabe besteht darin, herauszufinden, ob eine Film- oder Produktrezension eine positive oder negative Meinung des Autors widerspiegelt. Der einfachste Ansatz hierfür besteht darin, eine Liste positiver und negativer Wörter zusammenzustellen und dann einfach die positiven und negativen Wörter im Satz zu zählen.
So funktionierten die ersten Sentimentanalyse-Algorithmen und dieser Ansatz wird als lexikonbasierter Ansatz bezeichnet. Die 2011 von Finn Årup Nielsen entwickelte AFINN-Sentiment-Score-Liste enthält beispielsweise eine Liste von Wörtern der englischen Sprache, denen jeweils ein Wert zwischen -5 und +5 zugewiesen wurde. Hier ist ein Auszug aus dem AFINN-Lexikon:
freundlich 2
erschrocken -2
frikin -2
Frustration -2
ftw 3
...
positiv 2
positiv 2
verschieben -1
verschoben -1
verschiebt -1
verschieben -1
Armut -1
Lob 3
gelobt 3
Der Sentimentwert für eine Filmkritik wie „Dieser Film war absolut furchtbar“ kann durch einfaches Summieren der Polaritäten der Wörter im Satz berechnet werden. Obwohl dieser einfache Ansatz seine Vorteile hat, kann er leicht zunichte gemacht werden.
Sätze, die negative Wörter oder Sarkasmus enthalten, können beispielsweise von einem Lexikon einfach nicht verarbeitet werden. Und was ist mit „Dieser Film war absolut schrecklich“ (Sie können sehen, dass „positiv“ unabhängig vom Kontext bei AFINN +2 Punkte erzielt).
Es gehen zu viele Informationen verloren, wenn wir nur die Wörter im Satz betrachten und ihren Kontext ignorieren.
(Lesen Sie weiter, um eine Demo des AFINN-Sentimentanalyse-Algorithmus in Javascript auszuprobieren und ihn mit einer moderneren Option zu vergleichen.)
Ich erinnere mich, dass ich während meines Masterstudiums eine Vielzahl zunehmend komplexer, handgefertigter Regeln studiert habe, mit denen Ingenieure versuchten, die Grammatik der englischen Sprache zu kodifizieren, um dieses Problem zu lösen. Beispielsweise wurde der Polaritätswert eines Wortes beeinträchtigt, wenn es in einem engen Fenster eines Negationswortes wie „nicht“ vorkam.
Ein Beispiel für diesen Ansatz ist die VADER- Bibliothek, die für Valence Aware Dictionary and sEntiment Reasoner steht. Sie enthält einen Satz von Regeln für die Verneinung, für Großbuchstaben (Gefühlsverstärkung) und auch eine Liste von Sonderfällen wie „to die for“.
 console using VADER.](https://raw.githubusercontent.com/fastdatascience/.github/master/profile/fast_data_science_nlp_sentiment_analysis_demo.png)
Eine Demonstration einer einfachen Stimmungsanalyse in der Python-Konsole mit VADER.
Wenn Sie eine einfache, leichtgewichtige Lösung benötigen, kann eine Bibliothek wie VADER die Lösung sein.
Im Laufe des nächsten Jahrzehnts wandte sich die NLP- Community von manuell codierten Regeln ab und ging zu einem maschinellen Lernansatz über. Die ersten Algorithmen zur Sentimentanalyse mit maschinellem Lernen verwendeten eine Mischung aus handcodierten Merkmalen und Gewichten. Beispielsweise könnte ein Ingenieur Code schreiben, um eine Reihe von Merkmalen zu extrahieren (liegt das Wort „nicht“ innerhalb eines Fensters von 5 Token?), und ein maschineller Lernalgorithmus wie die logistische Regression kann lernen, wie wichtig ein Merkmal ist.
Im Jahr 2013 entwickelte ein Forscherteam bei Google unter der Leitung von Tomáš Mikolov den Wortvektor-Einbettungsansatz mit dem Word2vec- Algorithmus, und Wortvektor-Einbettungen wie Word2vec und GloVe wurden zum neuen Goldstandard für eine Reihe von NLP- Problemen, einschließlich Textklassifizierung und Stimmungsanalyse.
Wort- Embeddings funktionieren, indem jedem Wort im Lexikon ein einzelner Vektor im kartesischen Raum zugeordnet wird. Wörter, die in Bedeutung oder Funktion ähnlich sind, liegen im Vektorraum nahe beieinander, während Wörter, die sehr unterschiedlich sind, weit voneinander entfernt liegen. Mit dem Wort- Embedding- Ansatz kann ein Satz von reinem Text in eine Zahlenmatrix umgewandelt werden, die einem Bild nicht unähnlich ist, und dann entweder an ein Convolutional Neural Network oder eine andere Deep Neural Network- Architektur wie ein RNN oder LSTM übergeben werden.
Der Word2vec-Ansatz in Kombination mit einem neuronalen Netzwerk ermöglicht es einem maschinellen Lernmodell, Hinweise aus dem Kontext eines Satzes zu erkennen. Daher sind auf Wortvektoren basierende Modelle nicht so anfällig für Bedeutungs- und Navigationsnuancen wie ihre Vorgänger.
d3.csv(‘https://raw.githubusercontent.com/fastdatascience/logos/master/data/tsne.csv', // ‘https://raw.githubusercontent.com/ plotly /datasets/master/3d-scatter.csv’,
function(err, rows){
Funktion auspacken(Zeilen, Schlüssel) {
return rows.map(function(row)
{ return row[key]; });}
var labels = unpack(rows, 'label');
var neighbour1 = unpack(rows, 'neighbour1');
var neighbour2 = unpack(rows, 'neighbour2');
var neighbour3 = unpack(rows, 'neighbour3');
var neighbour4 = unpack(rows, 'neighbour4');
var neighbour5 = unpack(rows, 'neighbour5');
var clusters = unpack(rows, 'category');
var colourMap = ['#22577a', '#38a3a5', '#57cc99', '#80ed99', '#c7f9cc',
'#1f77b4', '#ff7f0e', '#2ca02c', '#d62728', '#9467bd', '#8c564b', '#e377c2', '#7f7f7f', '#bcbd22', '#17becf'];
var pointColours = clusters.map(function (i) { return colourMap[i] } );
var complete_labels = labels.map(function (label, idx) {
return label + ".<br>Nearest neighbours: " + neighbour1[idx] + ", " + neighbour2[idx] + ", " + neighbour3[idx] + ", " + neighbour4[idx] + ", " + neighbour5[idx] + ".<br>Cluster: " + clusters[idx];
});
var trace1 = {
x:unpack(rows, 'x1'), y: unpack(rows, 'y1'), z: unpack(rows, 'z1'), text: complete_labels,
mode: 'markers',
marker: {
color: pointColours, // 'rgb(34, 87, 122)',
size: 5,
line: {
color: '#000000',
width: 0.5},
opacity: 0.8},
type: 'scatter3d'
};
/* var trace2 = {
x:unpack(rows, 'x2'), y: unpack(rows, 'y2'), z: unpack(rows, 'z2'),
mode: 'markers',
marker: {
color: 'rgb(127, 127, 127)',
size: 12,
symbol: 'circle',
line: {
color: 'rgb(204, 204, 204)',
width: 1},
opacity: 0.8},
type: 'scatter3d'};
*/
var Daten = [Trace1 / , Trace2 / ]; var layout = { /* Titel: {
text: 'Estimated probabilities of [authorship](/forensic-stylometry-linguistics-authorship-analysis-demo) from [Burrows Delta](https://academic.oup.com/dsh/article/32/suppl_2/ii4/3865676) algorithm calculated using Python library [faststylometry](https://pypi.org/project/faststylometry)',
font: {
family: 'PT Sans',
size: 20
},
//xref: 'paper',
//x: 0.05,
}, */
Marge: {
l: 0,
r: 0,
b: 0,
t: 0
}
}; Plotly.newPlot(‘myDiv’, Daten, Layout);
/* // beginne mit dem Schweben var meinPlot = document.getElementById(‘meinDiv’);
myPlot.on(‘plotly_hover’, Funktion (Ereignisdaten){
var points = eventdata.points[0],
pointNum = points.pointNumber;
console.log(pointNum);
Plotly.Fx.hover('myDiv',[
{ curveNumber:0, pointNumber:414 },
// { curveNumber:1, pointNumber:pointNum },
// { curveNumber:2, pointNumber:pointNum },
]);
}); */
});
Der aktuelle Stand der Technik in der Sentimentanalyse ist der Transformer-Ansatz . Das bekannteste Transformer-Modell heißt BERT . Transformer funktionieren ähnlich wie Wortvektoreinbettungen , indem Wörter in einem Satz in Vektoren in einem riesigen mehrdimensionalen Raum umgewandelt werden. Ein Unterschied besteht jedoch darin, dass ein Transformer-Modell ein Wort je nach seiner Funktion in einem Satz als einen anderen Vektor darstellen kann.
Leider erfordern die ausgefeiltesten Deep-Learning -Modelle wie Transformer viele Trainingsdaten und sind sehr leistungshungrig, sodass sie in der Praxis nicht immer verwendet werden. Für einen Forscher oder NLP- Ingenieur ist es oft unpraktisch, ein Transformer-Modell auf seinem eigenen Computer auszuführen oder zu trainieren. Daher besteht die einzige praktische Möglichkeit darin, einen Cloud-basierten Dienst oder Cloud-basierte Sentiment-APIs zu verwenden, wie sie beispielsweise von Google, Microsoft oder Amazon bereitgestellt werden.
Eine cloudbasierte Stimmungsanalyse ist in der Industrie möglicherweise nicht immer eine Option, da viele Kunden über vertrauliche Daten, wie etwa Gesundheitsdaten , verfügen, die das Firmengelände nicht verlassen dürfen.
Unten können Sie den ersten und den letzten Ansatz, den ich in diesem Artikel erwähnt habe, ausprobieren, um zu sehen, wie sie bei verschiedenen Arten komplexer Sätze abschneiden. Ist es einfacher, den lexikonbasierten Sentiment-Analysator zu täuschen als den cloudbasierten Sentiment-Analysator? Wie gut kommen sie mit Sarkasmus zurecht?
var afinn = {
"abandon": -2,
"abandoned": -2,
"abandons": -2,
"abducted": -2,
"abduction": -2,
"abductions": -2,
"abhor": -3,
"abhorred": -3,
"abhorrent": -3,
"abhors": -3,
"abilities": 2,
"ability": 2,
"aboard": 1,
"absentee": -1,
"absentees": -1,
"absolve": 2,
"absolved": 2,
"absolves": 2,
"absolving": 2,
"absorbed": 1,
"abuse": -3,
"abused": -3,
"abuses": -3,
"abusive": -3,
"accept": 1,
"accepted": 1,
"accepting": 1,
"accepts": 1,
"accident": -2,
"accidental": -2,
"accidentally": -2,
"accidents": -2,
"accomplish": 2,
"accomplished": 2,
"accomplishes": 2,
"accusation": -2,
"accusations": -2,
"accuse": -2,
"accused": -2,
"accuses": -2,
"accusing": -2,
"ache": -2,
"achievable": 1,
"aching": -2,
"acquit": 2,
"acquits": 2,
"acquitted": 2,
"acquitting": 2,
"acrimonious": -3,
"active": 1,
"adequate": 1,
"admire": 3,
"admired": 3,
"admires": 3,
"admiring": 3,
"admit": -1,
"admits": -1,
"admitted": -1,
"admonish": -2,
"admonished": -2,
"adopt": 1,
"adopts": 1,
"adorable": 3,
"adore": 3,
"adored": 3,
"adores": 3,
"advanced": 1,
"advantage": 2,
"advantages": 2,
"adventure": 2,
"adventures": 2,
"adventurous": 2,
"affected": -1,
"affection": 3,
"affectionate": 3,
"afflicted": -1,
"affronted": -1,
"afraid": -2,
"aggravate": -2,
"aggravated": -2,
"aggravates": -2,
"aggravating": -2,
"aggression": -2,
"aggressions": -2,
"aggressive": -2,
"aghast": -2,
"agog": 2,
"agonise": -3,
"agonised": -3,
"agonises": -3,
"agonising": -3,
"agonize": -3,
"agonized": -3,
"agonizes": -3,
"agonizing": -3,
"agree": 1,
"agreeable": 2,
"agreed": 1,
"agreement": 1,
"agrees": 1,
"alarm": -2,
"alarmed": -2,
"alarmist": -2,
"alarmists": -2,
"alas": -1,
"alert": -1,
"alienation": -2,
"alive": 1,
"allergic": -2,
"allow": 1,
"alone": -2,
"amaze": 2,
"amazed": 2,
"amazes": 2,
"amazing": 4,
"ambitious": 2,
"ambivalent": -1,
"amuse": 3,
"amused": 3,
"amusement": 3,
"amusements": 3,
"anger": -3,
"angers": -3,
"angry": -3,
"anguish": -3,
"anguished": -3,
"animosity": -2,
"annoy": -2,
"annoyance": -2,
"annoyed": -2,
"annoying": -2,
"annoys": -2,
"antagonistic": -2,
"anti": -1,
"anticipation": 1,
"anxiety": -2,
"anxious": -2,
"apathetic": -3,
"apathy": -3,
"apeshit": -3,
"apocalyptic": -2,
"apologise": -1,
"apologised": -1,
"apologises": -1,
"apologising": -1,
"apologize": -1,
"apologized": -1,
"apologizes": -1,
"apologizing": -1,
"apology": -1,
"appalled": -2,
"appalling": -2,
"appease": 2,
"appeased": 2,
"appeases": 2,
"appeasing": 2,
"applaud": 2,
"applauded": 2,
"applauding": 2,
"applauds": 2,
"applause": 2,
"appreciate": 2,
"appreciated": 2,
"appreciates": 2,
"appreciating": 2,
"appreciation": 2,
"apprehensive": -2,
"approval": 2,
"approved": 2,
"approves": 2,
"ardent": 1,
"arrest": -2,
"arrested": -3,
"arrests": -2,
"arrogant": -2,
"ashame": -2,
"ashamed": -2,
"ass": -4,
"assassination": -3,
"assassinations": -3,
"asset": 2,
"assets": 2,
"assfucking": -4,
"asshole": -4,
"astonished": 2,
"astound": 3,
"astounded": 3,
"astounding": 3,
"astoundingly": 3,
"astounds": 3,
"attack": -1,
"attacked": -1,
"attacking": -1,
"attacks": -1,
"attract": 1,
"attracted": 1,
"attracting": 2,
"attraction": 2,
"attractions": 2,
"attracts": 1,
"audacious": 3,
"authority": 1,
"avert": -1,
"averted": -1,
"averts": -1,
"avid": 2,
"avoid": -1,
"avoided": -1,
"avoids": -1,
"await": -1,
"awaited": -1,
"awaits": -1,
"award": 3,
"awarded": 3,
"awards": 3,
"awesome": 4,
"awful": -3,
"awkward": -2,
"axe": -1,
"axed": -1,
"backed": 1,
"backing": 2,
"backs": 1,
"bad": -3,
"badass": -3,
"badly": -3,
"bailout": -2,
"bamboozle": -2,
"bamboozled": -2,
"bamboozles": -2,
"ban": -2,
"banish": -1,
"bankrupt": -3,
"bankster": -3,
"banned": -2,
"bargain": 2,
"barrier": -2,
"bastard": -5,
"bastards": -5,
"battle": -1,
"battles": -1,
"beaten": -2,
"beatific": 3,
"beating": -1,
"beauties": 3,
"beautiful": 3,
"beautifully": 3,
"beautify": 3,
"belittle": -2,
"belittled": -2,
"beloved": 3,
"benefit": 2,
"benefits": 2,
"benefitted": 2,
"benefitting": 2,
"bereave": -2,
"bereaved": -2,
"bereaves": -2,
"bereaving": -2,
"best": 3,
"betray": -3,
"betrayal": -3,
"betrayed": -3,
"betraying": -3,
"betrays": -3,
"better": 2,
"[bias](/ai-ethics/how-can-we-eliminate-bias-from-ai-algorithms-the-pen-testing-manifesto/)": -1,
"[biased](/ai-ethics/bias-in-ai-algorithmic-bias-society/)": -2,
"big": 1,
"bitch": -5,
"bitches": -5,
"bitter": -2,
"bitterly": -2,
"bizarre": -2,
"blah": -2,
"blame": -2,
"blamed": -2,
"blames": -2,
"blaming": -2,
"bless": 2,
"blesses": 2,
"blessing": 3,
"blind": -1,
"bliss": 3,
"blissful": 3,
"blithe": 2,
"block": -1,
"blockbuster": 3,
"blocked": -1,
"blocking": -1,
"blocks": -1,
"bloody": -3,
"blurry": -2,
"boastful": -2,
"bold": 2,
"boldly": 2,
"bomb": -1,
"boost": 1,
"boosted": 1,
"boosting": 1,
"boosts": 1,
"bore": -2,
"bored": -2,
"boring": -3,
"bother": -2,
"bothered": -2,
"bothers": -2,
"bothersome": -2,
"boycott": -2,
"boycotted": -2,
"boycotting": -2,
"boycotts": -2,
"brainwashing": -3,
"brave": 2,
"breakthrough": 3,
"breathtaking": 5,
"bribe": -3,
"bright": 1,
"brightest": 2,
"brightness": 1,
"brilliant": 4,
"brisk": 2,
"broke": -1,
"broken": -1,
"brooding": -2,
"bullied": -2,
"bullshit": -4,
"bully": -2,
"bullying": -2,
"bummer": -2,
"buoyant": 2,
"burden": -2,
"burdened": -2,
"burdening": -2,
"burdens": -2,
"calm": 2,
"calmed": 2,
"calming": 2,
"calms": 2,
"cancel": -1,
"cancelled": -1,
"cancelling": -1,
"cancels": -1,
"cancer": -1,
"capable": 1,
"captivated": 3,
"care": 2,
"carefree": 1,
"careful": 2,
"carefully": 2,
"careless": -2,
"cares": 2,
"casualty": -2,
"catastrophe": -3,
"catastrophic": -4,
"cautious": -1,
"celebrate": 3,
"celebrated": 3,
"celebrates": 3,
"celebrating": 3,
"censor": -2,
"censored": -2,
"censors": -2,
"certain": 1,
"chagrin": -2,
"chagrined": -2,
"challenge": -1,
"chance": 2,
"chances": 2,
"chaos": -2,
"chaotic": -2,
"charged": -3,
"charges": -2,
"charm": 3,
"charming": 3,
"charmless": -3,
"chastise": -3,
"chastised": -3,
"chastises": -3,
"chastising": -3,
"cheat": -3,
"cheated": -3,
"cheater": -3,
"cheaters": -3,
"cheats": -3,
"cheer": 2,
"cheered": 2,
"cheerful": 2,
"cheering": 2,
"cheerless": -2,
"cheers": 2,
"cheery": 3,
"cherish": 2,
"cherished": 2,
"cherishes": 2,
"cherishing": 2,
"chic": 2,
"childish": -2,
"chilling": -1,
"choke": -2,
"choked": -2,
"chokes": -2,
"choking": -2,
"clarifies": 2,
"clarity": 2,
"clash": -2,
"classy": 3,
"clean": 2,
"cleaner": 2,
"clear": 1,
"cleared": 1,
"clearly": 1,
"clears": 1,
"clever": 2,
"clouded": -1,
"clueless": -2,
"cock": -5,
"cocksucker": -5,
"cocksuckers": -5,
"cocky": -2,
"coerced": -2,
"collapse": -2,
"collapsed": -2,
"collapses": -2,
"collapsing": -2,
"collide": -1,
"collides": -1,
"colliding": -1,
"collision": -2,
"collisions": -2,
"colluding": -3,
"combat": -1,
"combats": -1,
"comedy": 1,
"comfort": 2,
"comfortable": 2,
"comforting": 2,
"comforts": 2,
"commend": 2,
"commended": 2,
"commit": 1,
"commitment": 2,
"commits": 1,
"committed": 1,
"committing": 1,
"compassionate": 2,
"compelled": 1,
"competent": 2,
"competitive": 2,
"complacent": -2,
"complain": -2,
"complained": -2,
"complains": -2,
"comprehensive": 2,
"conciliate": 2,
"conciliated": 2,
"conciliates": 2,
"conciliating": 2,
"condemn": -2,
"condemnation": -2,
"condemned": -2,
"condemns": -2,
"confidence": 2,
"confident": 2,
"conflict": -2,
"conflicting": -2,
"conflictive": -2,
"conflicts": -2,
"confuse": -2,
"confused": -2,
"confusing": -2,
"congrats": 2,
"congratulate": 2,
"congratulation": 2,
"congratulations": 2,
"consent": 2,
"consents": 2,
"consolable": 2,
"conspiracy": -3,
"constrained": -2,
"contagion": -2,
"contagions": -2,
"contagious": -1,
"contempt": -2,
"contemptuous": -2,
"contemptuously": -2,
"contend": -1,
"contender": -1,
"contending": -1,
"contentious": -2,
"contestable": -2,
"controversial": -2,
"controversially": -2,
"convince": 1,
"convinced": 1,
"convinces": 1,
"convivial": 2,
"cool": 1,
"cornered": -2,
"corpse": -1,
"costly": -2,
"courage": 2,
"courageous": 2,
"courteous": 2,
"courtesy": 2,
"cover-up": -3,
"coward": -2,
"cowardly": -2,
"coziness": 2,
"cramp": -1,
"crap": -3,
"crash": -2,
"crazier": -2,
"craziest": -2,
"crazy": -2,
"creative": 2,
"crestfallen": -2,
"cried": -2,
"cries": -2,
"crime": -3,
"criminal": -3,
"criminals": -3,
"crisis": -3,
"critic": -2,
"criticism": -2,
"criticize": -2,
"criticized": -2,
"criticizes": -2,
"criticizing": -2,
"critics": -2,
"cruel": -3,
"cruelty": -3,
"crush": -1,
"crushed": -2,
"crushes": -1,
"crushing": -1,
"cry": -1,
"crying": -2,
"cunt": -5,
"curious": 1,
"curse": -1,
"cut": -1,
"cute": 2,
"cuts": -1,
"cutting": -1,
"cynic": -2,
"cynical": -2,
"cynicism": -2,
"damage": -3,
"damages": -3,
"damn": -4,
"damned": -4,
"damnit": -4,
"danger": -2,
"daredevil": 2,
"daring": 2,
"darkest": -2,
"darkness": -1,
"dauntless": 2,
"dead": -3,
"deadlock": -2,
"deafening": -1,
"dear": 2,
"dearly": 3,
"death": -2,
"debonair": 2,
"debt": -2,
"deceit": -3,
"deceitful": -3,
"deceive": -3,
"deceived": -3,
"deceives": -3,
"deceiving": -3,
"deception": -3,
"decisive": 1,
"dedicated": 2,
"defeated": -2,
"defect": -3,
"defects": -3,
"defender": 2,
"defenders": 2,
"defenseless": -2,
"defer": -1,
"deferring": -1,
"defiant": -1,
"deficit": -2,
"degrade": -2,
"degraded": -2,
"degrades": -2,
"dehumanize": -2,
"dehumanized": -2,
"dehumanizes": -2,
"dehumanizing": -2,
"deject": -2,
"dejected": -2,
"dejecting": -2,
"dejects": -2,
"delay": -1,
"delayed": -1,
"delight": 3,
"delighted": 3,
"delighting": 3,
"delights": 3,
"demand": -1,
"demanded": -1,
"demanding": -1,
"demands": -1,
"demonstration": -1,
"demoralized": -2,
"denied": -2,
"denier": -2,
"deniers": -2,
"denies": -2,
"denounce": -2,
"denounces": -2,
"deny": -2,
"denying": -2,
"depressed": -2,
"depressing": -2,
"derail": -2,
"derailed": -2,
"derails": -2,
"deride": -2,
"derided": -2,
"derides": -2,
"deriding": -2,
"derision": -2,
"desirable": 2,
"desire": 1,
"desired": 2,
"desirous": 2,
"despair": -3,
"despairing": -3,
"despairs": -3,
"desperate": -3,
"desperately": -3,
"despondent": -3,
"destroy": -3,
"destroyed": -3,
"destroying": -3,
"destroys": -3,
"destruction": -3,
"destructive": -3,
"detached": -1,
"detain": -2,
"detained": -2,
"detention": -2,
"determined": 2,
"devastate": -2,
"devastated": -2,
"devastating": -2,
"devoted": 3,
"diamond": 1,
"dick": -4,
"dickhead": -4,
"die": -3,
"died": -3,
"difficult": -1,
"diffident": -2,
"dilemma": -1,
"dipshit": -3,
"dire": -3,
"direful": -3,
"dirt": -2,
"dirtier": -2,
"dirtiest": -2,
"dirty": -2,
"disabling": -1,
"disadvantage": -2,
"disadvantaged": -2,
"disappear": -1,
"disappeared": -1,
"disappears": -1,
"disappoint": -2,
"disappointed": -2,
"disappointing": -2,
"disappointment": -2,
"disappointments": -2,
"disappoints": -2,
"disaster": -2,
"disasters": -2,
"disastrous": -3,
"disbelieve": -2,
"discard": -1,
"discarded": -1,
"discarding": -1,
"discards": -1,
"disconsolate": -2,
"disconsolation": -2,
"discontented": -2,
"discord": -2,
"discounted": -1,
"discouraged": -2,
"discredited": -2,
"disdain": -2,
"disgrace": -2,
"disgraced": -2,
"disguise": -1,
"disguised": -1,
"disguises": -1,
"disguising": -1,
"disgust": -3,
"disgusted": -3,
"disgusting": -3,
"disheartened": -2,
"dishonest": -2,
"disillusioned": -2,
"disinclined": -2,
"disjointed": -2,
"dislike": -2,
"dismal": -2,
"dismayed": -2,
"disorder": -2,
"disorganized": -2,
"disoriented": -2,
"disparage": -2,
"disparaged": -2,
"disparages": -2,
"disparaging": -2,
"displeased": -2,
"dispute": -2,
"disputed": -2,
"disputes": -2,
"disputing": -2,
"disqualified": -2,
"disquiet": -2,
"disregard": -2,
"disregarded": -2,
"disregarding": -2,
"disregards": -2,
"disrespect": -2,
"disrespected": -2,
"disruption": -2,
"disruptions": -2,
"disruptive": -2,
"dissatisfied": -2,
"distort": -2,
"distorted": -2,
"distorting": -2,
"distorts": -2,
"distract": -2,
"distracted": -2,
"distraction": -2,
"distracts": -2,
"[distress](https://harmonydata.ac.uk)": -2,
"distressed": -2,
"distresses": -2,
"distressing": -2,
"distrust": -3,
"distrustful": -3,
"disturb": -2,
"disturbed": -2,
"disturbing": -2,
"disturbs": -2,
"dithering": -2,
"dizzy": -1,
"dodging": -2,
"dodgy": -2,
"dolorous": -2,
"doom": -2,
"doomed": -2,
"doubt": -1,
"doubted": -1,
"doubtful": -1,
"doubting": -1,
"doubts": -1,
"douche": -3,
"douchebag": -3,
"downcast": -2,
"downhearted": -2,
"downside": -2,
"drag": -1,
"dragged": -1,
"drags": -1,
"drained": -2,
"dread": -2,
"dreaded": -2,
"dreadful": -3,
"dreading": -2,
"dream": 1,
"dreams": 1,
"dreary": -2,
"droopy": -2,
"drop": -1,
"drown": -2,
"drowned": -2,
"drowns": -2,
"drunk": -2,
"dubious": -2,
"dud": -2,
"dull": -2,
"dumb": -3,
"dumbass": -3,
"dump": -1,
"dumped": -2,
"dumps": -1,
"dupe": -2,
"duped": -2,
"dysfunction": -2,
"eager": 2,
"earnest": 2,
"ease": 2,
"easy": 1,
"ecstatic": 4,
"eerie": -2,
"eery": -2,
"effective": 2,
"effectively": 2,
"elated": 3,
"elation": 3,
"elegant": 2,
"elegantly": 2,
"embarrass": -2,
"embarrassed": -2,
"embarrasses": -2,
"embarrassing": -2,
"embarrassment": -2,
"embittered": -2,
"embrace": 1,
"emergency": -2,
"empathetic": 2,
"emptiness": -1,
"empty": -1,
"enchanted": 2,
"encourage": 2,
"encouraged": 2,
"encouragement": 2,
"encourages": 2,
"endorse": 2,
"endorsed": 2,
"endorsement": 2,
"endorses": 2,
"enemies": -2,
"enemy": -2,
"energetic": 2,
"engage": 1,
"engages": 1,
"engrossed": 1,
"enjoy": 2,
"enjoying": 2,
"enjoys": 2,
"enlighten": 2,
"enlightened": 2,
"enlightening": 2,
"enlightens": 2,
"ennui": -2,
"enrage": -2,
"enraged": -2,
"enrages": -2,
"enraging": -2,
"enrapture": 3,
"enslave": -2,
"enslaved": -2,
"enslaves": -2,
"ensure": 1,
"ensuring": 1,
"enterprising": 1,
"entertaining": 2,
"enthral": 3,
"enthusiastic": 3,
"entitled": 1,
"entrusted": 2,
"envies": -1,
"envious": -2,
"envy": -1,
"envying": -1,
"erroneous": -2,
"error": -2,
"errors": -2,
"escape": -1,
"escapes": -1,
"escaping": -1,
"esteemed": 2,
"ethical": 2,
"euphoria": 3,
"euphoric": 4,
"eviction": -1,
"evil": -3,
"exaggerate": -2,
"exaggerated": -2,
"exaggerates": -2,
"exaggerating": -2,
"exasperated": 2,
"excellence": 3,
"excellent": 3,
"excite": 3,
"excited": 3,
"excitement": 3,
"exciting": 3,
"exclude": -1,
"excluded": -2,
"exclusion": -1,
"exclusive": 2,
"excuse": -1,
"exempt": -1,
"exhausted": -2,
"exhilarated": 3,
"exhilarates": 3,
"exhilarating": 3,
"exonerate": 2,
"exonerated": 2,
"exonerates": 2,
"exonerating": 2,
"expand": 1,
"expands": 1,
"expel": -2,
"expelled": -2,
"expelling": -2,
"expels": -2,
"exploit": -2,
"exploited": -2,
"exploiting": -2,
"exploits": -2,
"exploration": 1,
"explorations": 1,
"expose": -1,
"exposed": -1,
"exposes": -1,
"exposing": -1,
"extend": 1,
"extends": 1,
"exuberant": 4,
"exultant": 3,
"exultantly": 3,
"fabulous": 4,
"fad": -2,
"fag": -3,
"faggot": -3,
"faggots": -3,
"fail": -2,
"failed": -2,
"[failing](/data-science-project-management/why-do-data-science-projects-fail/)": -2,
"fails": -2,
"failure": -2,
"failures": -2,
"fainthearted": -2,
"fair": 2,
"faith": 1,
"faithful": 3,
"fake": -3,
"fakes": -3,
"faking": -3,
"fallen": -2,
"falling": -1,
"falsified": -3,
"falsify": -3,
"fame": 1,
"fan": 3,
"fantastic": 4,
"farce": -1,
"fascinate": 3,
"fascinated": 3,
"fascinates": 3,
"fascinating": 3,
"fascist": -2,
"fascists": -2,
"fatalities": -3,
"fatality": -3,
"fatigue": -2,
"fatigued": -2,
"fatigues": -2,
"fatiguing": -2,
"favor": 2,
"favored": 2,
"favorite": 2,
"favorited": 2,
"favorites": 2,
"favors": 2,
"fear": -2,
"fearful": -2,
"fearing": -2,
"fearless": 2,
"fearsome": -2,
"feeble": -2,
"feeling": 1,
"felonies": -3,
"felony": -3,
"fervent": 2,
"fervid": 2,
"festive": 2,
"fiasco": -3,
"fidgety": -2,
"fight": -1,
"fine": 2,
"fire": -2,
"fired": -2,
"firing": -2,
"fit": 1,
"fitness": 1,
"flagship": 2,
"flees": -1,
"flop": -2,
"flops": -2,
"flu": -2,
"flustered": -2,
"focused": 2,
"fond": 2,
"fondness": 2,
"fool": -2,
"foolish": -2,
"fools": -2,
"forced": -1,
"foreclosure": -2,
"foreclosures": -2,
"forget": -1,
"forgetful": -2,
"forgive": 1,
"forgiving": 1,
"forgotten": -1,
"fortunate": 2,
"frantic": -1,
"[fraud](https://www.nvidia.com/en-us/industries/finance/nlp-fraud-prevention-ebook)": -4,
"frauds": -4,
"fraudster": -4,
"fraudsters": -4,
"fraudulence": -4,
"fraudulent": -4,
"free": 1,
"freedom": 2,
"frenzy": -3,
"fresh": 1,
"friendly": 2,
"fright": -2,
"frightened": -2,
"frightening": -3,
"frikin": -2,
"frisky": 2,
"frowning": -1,
"frustrate": -2,
"frustrated": -2,
"frustrates": -2,
"frustrating": -2,
"frustration": -2,
"ftw": 3,
"fuck": -4,
"fucked": -4,
"fucker": -4,
"fuckers": -4,
"fuckface": -4,
"fuckhead": -4,
"fucking": -4,
"fucktard": -4,
"fud": -3,
"fuked": -4,
"fuking": -4,
"fulfill": 2,
"fulfilled": 2,
"fulfills": 2,
"fuming": -2,
"fun": 4,
"funeral": -1,
"funerals": -1,
"funky": 2,
"funnier": 4,
"funny": 4,
"furious": -3,
"futile": 2,
"gag": -2,
"gagged": -2,
"gain": 2,
"gained": 2,
"gaining": 2,
"gains": 2,
"gallant": 3,
"gallantly": 3,
"gallantry": 3,
"generous": 2,
"genial": 3,
"ghost": -1,
"giddy": -2,
"gift": 2,
"glad": 3,
"glamorous": 3,
"glamourous": 3,
"glee": 3,
"gleeful": 3,
"gloom": -1,
"gloomy": -2,
"glorious": 2,
"glory": 2,
"glum": -2,
"god": 1,
"goddamn": -3,
"godsend": 4,
"good": 3,
"goodness": 3,
"grace": 1,
"gracious": 3,
"grand": 3,
"grant": 1,
"granted": 1,
"granting": 1,
"grants": 1,
"grateful": 3,
"gratification": 2,
"grave": -2,
"gray": -1,
"great": 3,
"greater": 3,
"greatest": 3,
"greed": -3,
"greedy": -2,
"greenwash": -3,
"greenwasher": -3,
"greenwashers": -3,
"greenwashing": -3,
"greet": 1,
"greeted": 1,
"greeting": 1,
"greetings": 2,
"greets": 1,
"grey": -1,
"grief": -2,
"grieved": -2,
"gross": -2,
"growing": 1,
"growth": 2,
"guarantee": 1,
"guilt": -3,
"guilty": -3,
"gullibility": -2,
"gullible": -2,
"gun": -1,
"ha": 2,
"hacked": -1,
"haha": 3,
"hahaha": 3,
"hahahah": 3,
"hail": 2,
"hailed": 2,
"hapless": -2,
"haplessness": -2,
"happiness": 3,
"happy": 3,
"hard": -1,
"hardier": 2,
"hardship": -2,
"hardy": 2,
"harm": -2,
"harmed": -2,
"harmful": -2,
"harming": -2,
"harms": -2,
"harried": -2,
"harsh": -2,
"harsher": -2,
"harshest": -2,
"hate": -3,
"hated": -3,
"haters": -3,
"hates": -3,
"hating": -3,
"haunt": -1,
"haunted": -2,
"haunting": 1,
"haunts": -1,
"havoc": -2,
"healthy": 2,
"heartbreaking": -3,
"heartbroken": -3,
"heartfelt": 3,
"heaven": 2,
"heavenly": 4,
"heavyhearted": -2,
"hell": -4,
"help": 2,
"helpful": 2,
"helping": 2,
"helpless": -2,
"helps": 2,
"hero": 2,
"heroes": 2,
"heroic": 3,
"hesitant": -2,
"hesitate": -2,
"hid": -1,
"hide": -1,
"hides": -1,
"hiding": -1,
"highlight": 2,
"hilarious": 2,
"hindrance": -2,
"hoax": -2,
"homesick": -2,
"honest": 2,
"honor": 2,
"honored": 2,
"honoring": 2,
"honour": 2,
"honoured": 2,
"honouring": 2,
"hooligan": -2,
"hooliganism": -2,
"hooligans": -2,
"hope": 2,
"hopeful": 2,
"hopefully": 2,
"hopeless": -2,
"hopelessness": -2,
"hopes": 2,
"hoping": 2,
"horrendous": -3,
"horrible": -3,
"horrific": -3,
"horrified": -3,
"hostile": -2,
"huckster": -2,
"hug": 2,
"huge": 1,
"hugs": 2,
"humerous": 3,
"humiliated": -3,
"humiliation": -3,
"humor": 2,
"humorous": 2,
"humour": 2,
"humourous": 2,
"hunger": -2,
"hurrah": 5,
"hurt": -2,
"hurting": -2,
"hurts": -2,
"hypocritical": -2,
"hysteria": -3,
"hysterical": -3,
"hysterics": -3,
"idiot": -3,
"idiotic": -3,
"ignorance": -2,
"ignorant": -2,
"ignore": -1,
"ignored": -2,
"ignores": -1,
"ill": -2,
"illegal": -3,
"illiteracy": -2,
"illness": -2,
"illnesses": -2,
"imbecile": -3,
"immobilized": -1,
"immortal": 2,
"immune": 1,
"impatient": -2,
"imperfect": -2,
"importance": 2,
"important": 2,
"impose": -1,
"imposed": -1,
"imposes": -1,
"imposing": -1,
"impotent": -2,
"impress": 3,
"impressed": 3,
"impresses": 3,
"impressive": 3,
"imprisoned": -2,
"improve": 2,
"improved": 2,
"improvement": 2,
"improves": 2,
"improving": 2,
"inability": -2,
"inaction": -2,
"inadequate": -2,
"incapable": -2,
"incapacitated": -2,
"incensed": -2,
"incompetence": -2,
"incompetent": -2,
"inconsiderate": -2,
"inconvenience": -2,
"inconvenient": -2,
"increase": 1,
"increased": 1,
"indecisive": -2,
"indestructible": 2,
"indifference": -2,
"indifferent": -2,
"indignant": -2,
"indignation": -2,
"indoctrinate": -2,
"indoctrinated": -2,
"indoctrinates": -2,
"indoctrinating": -2,
"ineffective": -2,
"ineffectively": -2,
"infatuated": 2,
"infatuation": 2,
"infected": -2,
"inferior": -2,
"inflamed": -2,
"influential": 2,
"infringement": -2,
"infuriate": -2,
"infuriated": -2,
"infuriates": -2,
"infuriating": -2,
"inhibit": -1,
"injured": -2,
"injury": -2,
"injustice": -2,
"innovate": 1,
"innovates": 1,
"innovation": 1,
"innovative": 2,
"inquisition": -2,
"inquisitive": 2,
"insane": -2,
"insanity": -2,
"insecure": -2,
"insensitive": -2,
"insensitivity": -2,
"insignificant": -2,
"insipid": -2,
"inspiration": 2,
"inspirational": 2,
"inspire": 2,
"inspired": 2,
"inspires": 2,
"inspiring": 3,
"insult": -2,
"insulted": -2,
"insulting": -2,
"insults": -2,
"intact": 2,
"integrity": 2,
"intelligent": 2,
"intense": 1,
"interest": 1,
"interested": 2,
"interesting": 2,
"interests": 1,
"interrogated": -2,
"interrupt": -2,
"interrupted": -2,
"interrupting": -2,
"interruption": -2,
"interrupts": -2,
"intimidate": -2,
"intimidated": -2,
"intimidates": -2,
"intimidating": -2,
"intimidation": -2,
"intricate": 2,
"intrigues": 1,
"invincible": 2,
"invite": 1,
"inviting": 1,
"invulnerable": 2,
"irate": -3,
"ironic": -1,
"irony": -1,
"irrational": -1,
"irresistible": 2,
"irresolute": -2,
"irresponsible": 2,
"irreversible": -1,
"irritate": -3,
"irritated": -3,
"irritating": -3,
"isolated": -1,
"itchy": -2,
"jackass": -4,
"jackasses": -4,
"jailed": -2,
"jaunty": 2,
"jealous": -2,
"jeopardy": -2,
"jerk": -3,
"jesus": 1,
"jewel": 1,
"jewels": 1,
"jocular": 2,
"join": 1,
"joke": 2,
"jokes": 2,
"jolly": 2,
"jovial": 2,
"joy": 3,
"joyful": 3,
"joyfully": 3,
"joyless": -2,
"joyous": 3,
"jubilant": 3,
"jumpy": -1,
"justice": 2,
"justifiably": 2,
"justified": 2,
"keen": 1,
"kill": -3,
"killed": -3,
"killing": -3,
"kills": -3,
"kind": 2,
"kinder": 2,
"kiss": 2,
"kudos": 3,
"lack": -2,
"lackadaisical": -2,
"lag": -1,
"lagged": -2,
"lagging": -2,
"lags": -2,
"lame": -2,
"landmark": 2,
"laugh": 1,
"laughed": 1,
"laughing": 1,
"laughs": 1,
"laughting": 1,
"launched": 1,
"lawl": 3,
"lawsuit": -2,
"lawsuits": -2,
"lazy": -1,
"leak": -1,
"leaked": -1,
"leave": -1,
"[legal](https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2417415)": 1,
"legally": 1,
"lenient": 1,
"lethargic": -2,
"lethargy": -2,
"liar": -3,
"liars": -3,
"libelous": -2,
"lied": -2,
"lifesaver": 4,
"lighthearted": 1,
"like": 2,
"liked": 2,
"likes": 2,
"limitation": -1,
"limited": -1,
"limits": -1,
"litigation": -1,
"litigious": -2,
"lively": 2,
"livid": -2,
"lmao": 4,
"lmfao": 4,
"loathe": -3,
"loathed": -3,
"loathes": -3,
"loathing": -3,
"lobby": -2,
"lobbying": -2,
"lol": 3,
"lonely": -2,
"lonesome": -2,
"longing": -1,
"loom": -1,
"loomed": -1,
"looming": -1,
"looms": -1,
"loose": -3,
"looses": -3,
"loser": -3,
"losing": -3,
"loss": -3,
"lost": -3,
"lovable": 3,
"love": 3,
"loved": 3,
"lovelies": 3,
"lovely": 3,
"loving": 2,
"lowest": -1,
"loyal": 3,
"loyalty": 3,
"luck": 3,
"luckily": 3,
"lucky": 3,
"lugubrious": -2,
"lunatic": -3,
"lunatics": -3,
"lurk": -1,
"lurking": -1,
"lurks": -1,
"mad": -3,
"maddening": -3,
"made-up": -1,
"madly": -3,
"madness": -3,
"mandatory": -1,
"manipulated": -1,
"manipulating": -1,
"manipulation": -1,
"marvel": 3,
"marvelous": 3,
"marvels": 3,
"masterpiece": 4,
"masterpieces": 4,
"matter": 1,
"matters": 1,
"mature": 2,
"meaningful": 2,
"meaningless": -2,
"medal": 3,
"mediocrity": -3,
"meditative": 1,
"melancholy": -2,
"menace": -2,
"menaced": -2,
"mercy": 2,
"merry": 3,
"mess": -2,
"messed": -2,
"methodical": 2,
"mindless": -2,
"miracle": 4,
"mirth": 3,
"mirthful": 3,
"mirthfully": 3,
"misbehave": -2,
"misbehaved": -2,
"misbehaves": -2,
"misbehaving": -2,
"mischief": -1,
"mischiefs": -1,
"miserable": -3,
"misery": -2,
"misgiving": -2,
"misinformation": -2,
"misinformed": -2,
"misinterpreted": -2,
"misleading": -3,
"misread": -1,
"misreporting": -2,
"misrepresentation": -2,
"miss": -2,
"missed": -2,
"missing": -2,
"mistake": -2,
"mistaken": -2,
"mistakes": -2,
"mistaking": -2,
"misunderstand": -2,
"misunderstanding": -2,
"misunderstands": -2,
"misunderstood": -2,
"moan": -2,
"moaned": -2,
"moaning": -2,
"moans": -2,
"mock": -2,
"mocked": -2,
"mocking": -2,
"mocks": -2,
"mongering": -2,
"monopolize": -2,
"monopolized": -2,
"monopolizes": -2,
"monopolizing": -2,
"moody": -1,
"mope": -1,
"moping": -1,
"moron": -3,
"motherfucker": -5,
"motherfucking": -5,
"motivate": 1,
"motivated": 2,
"motivating": 2,
"motivation": 1,
"mourn": -2,
"mourned": -2,
"mournful": -2,
"mourning": -2,
"mourns": -2,
"mumpish": -2,
"murder": -2,
"murderer": -2,
"murdering": -3,
"murderous": -3,
"murders": -2,
"myth": -1,
"n00b": -2,
"naive": -2,
"nasty": -3,
"natural": 1,
"naïve": -2,
"needy": -2,
"negative": -2,
"negativity": -2,
"neglect": -2,
"neglected": -2,
"neglecting": -2,
"neglects": -2,
"nerves": -1,
"nervous": -2,
"nervously": -2,
"nice": 3,
"nifty": 2,
"niggas": -5,
"nigger": -5,
"no": -1,
"noble": 2,
"noisy": -1,
"nonsense": -2,
"noob": -2,
"nosey": -2,
"notorious": -2,
"novel": 2,
"numb": -1,
"nuts": -3,
"obliterate": -2,
"obliterated": -2,
"obnoxious": -3,
"obscene": -2,
"obsessed": 2,
"obsolete": -2,
"obstacle": -2,
"obstacles": -2,
"obstinate": -2,
"odd": -2,
"offend": -2,
"offended": -2,
"offender": -2,
"offending": -2,
"offends": -2,
"offline": -1,
"oks": 2,
"ominous": 3,
"once-in-a-lifetime": 3,
"opportunities": 2,
"opportunity": 2,
"oppressed": -2,
"oppressive": -2,
"optimism": 2,
"optimistic": 2,
"optionless": -2,
"outcry": -2,
"outmaneuvered": -2,
"outrage": -3,
"outraged": -3,
"outreach": 2,
"outstanding": 5,
"overjoyed": 4,
"overload": -1,
"overlooked": -1,
"overreact": -2,
"overreacted": -2,
"overreaction": -2,
"overreacts": -2,
"oversell": -2,
"overselling": -2,
"oversells": -2,
"oversimplification": -2,
"oversimplified": -2,
"oversimplifies": -2,
"oversimplify": -2,
"overstatement": -2,
"overstatements": -2,
"overweight": -1,
"oxymoron": -1,
"pain": -2,
"pained": -2,
"panic": -3,
"panicked": -3,
"panics": -3,
"paradise": 3,
"paradox": -1,
"pardon": 2,
"pardoned": 2,
"pardoning": 2,
"pardons": 2,
"parley": -1,
"passionate": 2,
"passive": -1,
"passively": -1,
"pathetic": -2,
"pay": -1,
"peace": 2,
"peaceful": 2,
"peacefully": 2,
"penalty": -2,
"pensive": -1,
"perfect": 3,
"perfected": 2,
"perfectly": 3,
"perfects": 2,
"peril": -2,
"perjury": -3,
"perpetrator": -2,
"perpetrators": -2,
"perplexed": -2,
"persecute": -2,
"persecuted": -2,
"persecutes": -2,
"persecuting": -2,
"perturbed": -2,
"pesky": -2,
"pessimism": -2,
"pessimistic": -2,
"petrified": -2,
"phobic": -2,
"picturesque": 2,
"pileup": -1,
"pique": -2,
"piqued": -2,
"piss": -4,
"pissed": -4,
"pissing": -3,
"piteous": -2,
"pitied": -1,
"pity": -2,
"playful": 2,
"pleasant": 3,
"please": 1,
"pleased": 3,
"pleasure": 3,
"poised": -2,
"poison": -2,
"poisoned": -2,
"poisons": -2,
"pollute": -2,
"polluted": -2,
"polluter": -2,
"polluters": -2,
"pollutes": -2,
"poor": -2,
"poorer": -2,
"poorest": -2,
"popular": 3,
"positive": 2,
"positively": 2,
"possessive": -2,
"postpone": -1,
"postponed": -1,
"postpones": -1,
"postponing": -1,
"poverty": -1,
"powerful": 2,
"powerless": -2,
"praise": 3,
"praised": 3,
"praises": 3,
"praising": 3,
"pray": 1,
"praying": 1,
"prays": 1,
"prblm": -2,
"prblms": -2,
"prepared": 1,
"pressure": -1,
"pressured": -2,
"pretend": -1,
"pretending": -1,
"pretends": -1,
"pretty": 1,
"prevent": -1,
"prevented": -1,
"preventing": -1,
"prevents": -1,
"prick": -5,
"prison": -2,
"prisoner": -2,
"prisoners": -2,
"privileged": 2,
"proactive": 2,
"problem": -2,
"problems": -2,
"profiteer": -2,
"progress": 2,
"prominent": 2,
"promise": 1,
"promised": 1,
"promises": 1,
"promote": 1,
"promoted": 1,
"promotes": 1,
"promoting": 1,
"propaganda": -2,
"prosecute": -1,
"prosecuted": -2,
"prosecutes": -1,
"prosecution": -1,
"prospect": 1,
"prospects": 1,
"prosperous": 3,
"protect": 1,
"protected": 1,
"protects": 1,
"protest": -2,
"protesters": -2,
"protesting": -2,
"protests": -2,
"proud": 2,
"proudly": 2,
"provoke": -1,
"provoked": -1,
"provokes": -1,
"provoking": -1,
"pseudoscience": -3,
"punish": -2,
"punished": -2,
"punishes": -2,
"punitive": -2,
"pushy": -1,
"puzzled": -2,
"quaking": -2,
"questionable": -2,
"questioned": -1,
"questioning": -1,
"racism": -3,
"racist": -3,
"racists": -3,
"rage": -2,
"rageful": -2,
"rainy": -1,
"rant": -3,
"ranter": -3,
"ranters": -3,
"rants": -3,
"rape": -4,
"rapist": -4,
"rapture": 2,
"raptured": 2,
"raptures": 2,
"rapturous": 4,
"rash": -2,
"ratified": 2,
"reach": 1,
"reached": 1,
"reaches": 1,
"reaching": 1,
"reassure": 1,
"reassured": 1,
"reassures": 1,
"reassuring": 2,
"rebellion": -2,
"recession": -2,
"reckless": -2,
"recommend": 2,
"recommended": 2,
"recommends": 2,
"redeemed": 2,
"refuse": -2,
"refused": -2,
"refusing": -2,
"regret": -2,
"regretful": -2,
"regrets": -2,
"regretted": -2,
"regretting": -2,
"reject": -1,
"rejected": -1,
"rejecting": -1,
"rejects": -1,
"rejoice": 4,
"rejoiced": 4,
"rejoices": 4,
"rejoicing": 4,
"relaxed": 2,
"relentless": -1,
"reliant": 2,
"relieve": 1,
"relieved": 2,
"relieves": 1,
"relieving": 2,
"relishing": 2,
"remarkable": 2,
"remorse": -2,
"repulse": -1,
"repulsed": -2,
"rescue": 2,
"rescued": 2,
"rescues": 2,
"resentful": -2,
"resign": -1,
"resigned": -1,
"resigning": -1,
"resigns": -1,
"resolute": 2,
"resolve": 2,
"resolved": 2,
"resolves": 2,
"resolving": 2,
"respected": 2,
"responsible": 2,
"responsive": 2,
"restful": 2,
"restless": -2,
"restore": 1,
"restored": 1,
"restores": 1,
"restoring": 1,
"restrict": -2,
"restricted": -2,
"restricting": -2,
"restriction": -2,
"restricts": -2,
"retained": -1,
"retard": -2,
"retarded": -2,
"retreat": -1,
"revenge": -2,
"revengeful": -2,
"revered": 2,
"revive": 2,
"revives": 2,
"reward": 2,
"rewarded": 2,
"rewarding": 2,
"rewards": 2,
"rich": 2,
"ridiculous": -3,
"rig": -1,
"rigged": -1,
"rigorous": 3,
"rigorously": 3,
"riot": -2,
"riots": -2,
"[risk](/ai-in-pharma/how-can-we-assess-the-risk-of-a-clinical-trial-using-ai/)": -2,
"risks": -2,
"rob": -2,
"robber": -2,
"robed": -2,
"robing": -2,
"robs": -2,
"robust": 2,
"rofl": 4,
"roflcopter": 4,
"roflmao": 4,
"romance": 2,
"rotfl": 4,
"rotflmfao": 4,
"rotflol": 4,
"ruin": -2,
"ruined": -2,
"ruining": -2,
"ruins": -2,
"sabotage": -2,
"sad": -2,
"sadden": -2,
"saddened": -2,
"sadly": -2,
"safe": 1,
"safely": 1,
"safety": 1,
"salient": 1,
"sappy": -1,
"sarcastic": -2,
"satisfied": 2,
"save": 2,
"saved": 2,
"scam": -2,
"scams": -2,
"scandal": -3,
"scandalous": -3,
"scandals": -3,
"scapegoat": -2,
"scapegoats": -2,
"scare": -2,
"scared": -2,
"scary": -2,
"sceptical": -2,
"scold": -2,
"scoop": 3,
"scorn": -2,
"scornful": -2,
"scream": -2,
"screamed": -2,
"screaming": -2,
"screams": -2,
"screwed": -2,
"scumbag": -4,
"secure": 2,
"secured": 2,
"secures": 2,
"sedition": -2,
"seditious": -2,
"seduced": -1,
"self-confident": 2,
"self-deluded": -2,
"selfish": -3,
"selfishness": -3,
"sentence": -2,
"sentenced": -2,
"sentences": -2,
"sentencing": -2,
"serene": 2,
"severe": -2,
"sexy": 3,
"shaky": -2,
"shame": -2,
"shamed": -2,
"shameful": -2,
"share": 1,
"shared": 1,
"shares": 1,
"shattered": -2,
"shit": -4,
"shithead": -4,
"shitty": -3,
"shock": -2,
"shocked": -2,
"shocking": -2,
"shocks": -2,
"shoot": -1,
"short-sighted": -2,
"short-sightedness": -2,
"shortage": -2,
"shortages": -2,
"shrew": -4,
"shy": -1,
"sick": -2,
"sigh": -2,
"significance": 1,
"significant": 1,
"silencing": -1,
"silly": -1,
"sincere": 2,
"sincerely": 2,
"sincerest": 2,
"sincerity": 2,
"sinful": -3,
"singleminded": -2,
"skeptic": -2,
"skeptical": -2,
"skepticism": -2,
"skeptics": -2,
"slam": -2,
"slash": -2,
"slashed": -2,
"slashes": -2,
"slashing": -2,
"slavery": -3,
"sleeplessness": -2,
"slick": 2,
"slicker": 2,
"slickest": 2,
"sluggish": -2,
"slut": -5,
"smart": 1,
"smarter": 2,
"smartest": 2,
"smear": -2,
"smile": 2,
"smiled": 2,
"[smiles](https://en.wikipedia.org/wiki/Simplified_molecular-input_line-entry_system)": 2,
"smiling": 2,
"smog": -2,
"sneaky": -1,
"snub": -2,
"snubbed": -2,
"snubbing": -2,
"snubs": -2,
"sobering": 1,
"solemn": -1,
"solid": 2,
"solidarity": 2,
"solution": 1,
"solutions": 1,
"solve": 1,
"solved": 1,
"solves": 1,
"solving": 1,
"somber": -2,
"son-of-a-bitch": -5,
"soothe": 3,
"soothed": 3,
"soothing": 3,
"sophisticated": 2,
"sore": -1,
"sorrow": -2,
"sorrowful": -2,
"sorry": -1,
"[spam](https://en.wikipedia.org/wiki/Email_spam)": -2,
"spammer": -3,
"spammers": -3,
"spamming": -2,
"spark": 1,
"sparkle": 3,
"sparkles": 3,
"sparkling": 3,
"speculative": -2,
"spirit": 1,
"spirited": 2,
"spiritless": -2,
"spiteful": -2,
"splendid": 3,
"sprightly": 2,
"squelched": -1,
"stab": -2,
"stabbed": -2,
"stable": 2,
"stabs": -2,
"stall": -2,
"stalled": -2,
"stalling": -2,
"stamina": 2,
"stampede": -2,
"startled": -2,
"starve": -2,
"starved": -2,
"starves": -2,
"starving": -2,
"steadfast": 2,
"steal": -2,
"steals": -2,
"stereotype": -2,
"stereotyped": -2,
"stifled": -1,
"stimulate": 1,
"stimulated": 1,
"stimulates": 1,
"stimulating": 2,
"stingy": -2,
"stolen": -2,
"stop": -1,
"stopped": -1,
"stopping": -1,
"stops": -1,
"stout": 2,
"straight": 1,
"strange": -1,
"strangely": -1,
"strangled": -2,
"strength": 2,
"strengthen": 2,
"strengthened": 2,
"strengthening": 2,
"strengthens": 2,
"stressed": -2,
"stressor": -2,
"stressors": -2,
"stricken": -2,
"strike": -1,
"strikers": -2,
"strikes": -1,
"strong": 2,
"stronger": 2,
"strongest": 2,
"struck": -1,
"struggle": -2,
"struggled": -2,
"struggles": -2,
"struggling": -2,
"stubborn": -2,
"stuck": -2,
"stunned": -2,
"stunning": 4,
"stupid": -2,
"stupidly": -2,
"suave": 2,
"substantial": 1,
"substantially": 1,
"subversive": -2,
"success": 2,
"successful": 3,
"suck": -3,
"sucks": -3,
"suffer": -2,
"suffering": -2,
"suffers": -2,
"suicidal": -2,
"suicide": -2,
"suing": -2,
"sulking": -2,
"sulky": -2,
"sullen": -2,
"sunshine": 2,
"super": 3,
"superb": 5,
"superior": 2,
"support": 2,
"supported": 2,
"supporter": 1,
"supporters": 1,
"supporting": 1,
"supportive": 2,
"supports": 2,
"survived": 2,
"surviving": 2,
"survivor": 2,
"suspect": -1,
"suspected": -1,
"suspecting": -1,
"suspects": -1,
"suspend": -1,
"suspended": -1,
"suspicious": -2,
"swear": -2,
"swearing": -2,
"swears": -2,
"sweet": 2,
"swift": 2,
"swiftly": 2,
"swindle": -3,
"swindles": -3,
"swindling": -3,
"sympathetic": 2,
"sympathy": 2,
"tard": -2,
"tears": -2,
"[tender](/public-sector-procurement)": 2,
"tense": -2,
"tension": -1,
"terrible": -3,
"terribly": -3,
"terrific": 4,
"terrified": -3,
"terror": -3,
"terrorize": -3,
"terrorized": -3,
"terrorizes": -3,
"thank": 2,
"thankful": 2,
"thanks": 2,
"thorny": -2,
"thoughtful": 2,
"thoughtless": -2,
"threat": -2,
"threaten": -2,
"threatened": -2,
"threatening": -2,
"threatens": -2,
"threats": -2,
"thrilled": 5,
"thwart": -2,
"thwarted": -2,
"thwarting": -2,
"thwarts": -2,
"timid": -2,
"timorous": -2,
"tired": -2,
"tits": -2,
"tolerant": 2,
"toothless": -2,
"top": 2,
"tops": 2,
"torn": -2,
"torture": -4,
"tortured": -4,
"tortures": -4,
"torturing": -4,
"totalitarian": -2,
"totalitarianism": -2,
"tout": -2,
"touted": -2,
"touting": -2,
"touts": -2,
"tragedy": -2,
"tragic": -2,
"tranquil": 2,
"trap": -1,
"trapped": -2,
"trauma": -3,
"traumatic": -3,
"travesty": -2,
"treason": -3,
"treasonous": -3,
"treasure": 2,
"treasures": 2,
"trembling": -2,
"tremulous": -2,
"tricked": -2,
"trickery": -2,
"triumph": 4,
"triumphant": 4,
"trouble": -2,
"troubled": -2,
"troubles": -2,
"true": 2,
"trust": 1,
"trusted": 2,
"tumor": -2,
"twat": -5,
"ugly": -3,
"unacceptable": -2,
"unappreciated": -2,
"unapproved": -2,
"unaware": -2,
"unbelievable": -1,
"unbelieving": -1,
"unbiased": 2,
"uncertain": -1,
"unclear": -1,
"uncomfortable": -2,
"unconcerned": -2,
"unconfirmed": -1,
"unconvinced": -1,
"uncredited": -1,
"undecided": -1,
"underestimate": -1,
"underestimated": -1,
"underestimates": -1,
"underestimating": -1,
"undermine": -2,
"undermined": -2,
"undermines": -2,
"undermining": -2,
"undeserving": -2,
"undesirable": -2,
"uneasy": -2,
"unemployment": -2,
"unequal": -1,
"unequaled": 2,
"unethical": -2,
"unfair": -2,
"unfocused": -2,
"unfulfilled": -2,
"unhappy": -2,
"unhealthy": -2,
"unified": 1,
"unimpressed": -2,
"unintelligent": -2,
"united": 1,
"unjust": -2,
"unlovable": -2,
"unloved": -2,
"unmatched": 1,
"unmotivated": -2,
"unprofessional": -2,
"unresearched": -2,
"unsatisfied": -2,
"unsecured": -2,
"unsettled": -1,
"unsophisticated": -2,
"unstable": -2,
"unstoppable": 2,
"unsupported": -2,
"unsure": -1,
"untarnished": 2,
"unwanted": -2,
"unworthy": -2,
"upset": -2,
"upsets": -2,
"upsetting": -2,
"uptight": -2,
"urgent": -1,
"useful": 2,
"usefulness": 2,
"useless": -2,
"uselessness": -2,
"vague": -2,
"validate": 1,
"validated": 1,
"validates": 1,
"validating": 1,
"verdict": -1,
"verdicts": -1,
"vested": 1,
"vexation": -2,
"vexing": -2,
"vibrant": 3,
"vicious": -2,
"victim": -3,
"victimize": -3,
"victimized": -3,
"victimizes": -3,
"victimizing": -3,
"victims": -3,
"vigilant": 3,
"vile": -3,
"vindicate": 2,
"vindicated": 2,
"vindicates": 2,
"vindicating": 2,
"violate": -2,
"violated": -2,
"violates": -2,
"violating": -2,
"violence": -3,
"violent": -3,
"virtuous": 2,
"virulent": -2,
"vision": 1,
"visionary": 3,
"visioning": 1,
"visions": 1,
"vitality": 3,
"vitamin": 1,
"vitriolic": -3,
"vivacious": 3,
"vociferous": -1,
"vulnerability": -2,
"vulnerable": -2,
"walkout": -2,
"walkouts": -2,
"wanker": -3,
"want": 1,
"war": -2,
"warfare": -2,
"warm": 1,
"warmth": 2,
"warn": -2,
"warned": -2,
"warning": -3,
"warnings": -3,
"warns": -2,
"waste": -1,
"wasted": -2,
"wasting": -2,
"wavering": -1,
"weak": -2,
"weakness": -2,
"wealth": 3,
"wealthy": 2,
"weary": -2,
"weep": -2,
"weeping": -2,
"weird": -2,
"welcome": 2,
"welcomed": 2,
"welcomes": 2,
"whimsical": 1,
"whitewash": -3,
"whore": -4,
"wicked": -2,
"widowed": -1,
"willingness": 2,
"win": 4,
"winner": 4,
"winning": 4,
"wins": 4,
"winwin": 3,
"wish": 1,
"wishes": 1,
"wishing": 1,
"withdrawal": -3,
"woebegone": -2,
"woeful": -3,
"won": 3,
"wonderful": 4,
"woo": 3,
"woohoo": 3,
"wooo": 4,
"woow": 4,
"worn": -1,
"worried": -3,
"worry": -3,
"worrying": -3,
"worse": -3,
"worsen": -3,
"worsened": -3,
"worsening": -3,
"worsens": -3,
"worshiped": 3,
"worst": -3,
"worth": 2,
"worthless": -2,
"worthy": 2,
"wow": 4,
"wowow": 4,
"wowww": 4,
"wrathful": -3,
"wreck": -2,
"wrong": -2,
"wronged": -2,
"wtf": -4,
"yeah": 1,
"yearning": 1,
"yeees": 2,
"yes": 1,
"youthful": 2,
"yucky": -2,
"yummy": 3,
"zealot": -2,
"zealots": -2,
"zealous": 2
};
<label for="text">Enter a few sentences:</label><br>
<button onclick="setExample1()" style="border-width:1px;background-color:rgb(87 204 153);color:white;padding:2px;margin:2px;border-radius:4px;">Example 1</button>
<button onclick="setExample2()" style="border-width:1px;background-color:rgb(87 204 153);color:white;padding:2px;margin:2px;border-radius:4px;">Example 2</button>
<br>
<textarea id="text" name="text" cols="50" rows="5">Write your text here and test two sentiment analysis algorithms: AFINN (the approach described at the top of the article, which just uses a dictionary of positive and negative words), and a cloud-based option (in this case [Azure](https://www.azure.com)). Another option would have been [BERT](https://huggingface.co/docs/transformers/model_doc/bert) or [GPT-3](https://openai.com/api) but they are quite expensive to deploy!</textarea><br>
<div id="warning" style="color:red"></div>
<input type="submit" value="Identify the sentiment" style="border-width:1px;background-color:rgb(87 204 153);color:white;padding:2px;margin:2px;border-radius:4px;" />
</form>
AFINN
(Lexikon-Ansatz)
Azure Cognitive Services
(Cloud-basierter Ansatz)
var example1 = “Ich bin nicht sicher, ob mir der Film gefallen hat."; var example2 = “Der Film hebt sich seinen gruseligsten Moment für das Ende auf: eine virtuelle Garantie dafür, dass es eine Fortsetzung geben wird.";
Funktion Plot (Plotname, Punktzahl) {
let plotlyData = [
{
mode: "gauge",
type: "indicator",
value: score,
gauge: {
shape: "angular",
bar: {
color: "#22577a",
line: {
color: "#22577a",
width: 8
},
thickness: 0
},
bgcolor: "#c7f9cc",
bordercolor: "#aaaaaa",
borderwidth: 1,
axis: {
range: [-1,1],
visible: true,
tickmode: "array",
tickvals: [-1, 0, 1],
ticks: "outside"
},
steps: [
{
range: [-1, 1],
color: "#c7f9cc"
}
]
}
}
]
vartheta = 80; var r = 0,7 var x_head = r * Math.cos(Math.PI/180*theta) var y_kopf = r * Math.sin(Math.PI/180*theta)
lass layout = { xaxis: {Bereich: [0, 1], Showgrid: falsch, ‘Nulllinie’: falsch, ‘sichtbar’: falsch}, yaxis: {Bereich: [0, 1], Showgrid: falsch, ‘Nulllinie’: falsch, ‘sichtbar’: falsch}, Rand: { l: 30, r: 30, t: 0, b: 0 }, Showlegende: falsch,
}; Plotly.newPlot(Plotname, Plotly-Daten, Layout); }
Funktion setExample1(Zahl){
document.getElementById("text").value=example1;
}
function setExample2(number){
document.getElementById("text").value=example2;
}
/ einen Submit-Handler an das Formular anhängen /
$("#formoid").submit(function(event) {
/* stop form from submitting normally */
event.preventDefault();
$('#result').text('⌛ Identifying sentiment. Please wait... The first time you use the model, it may take up to a minute to start up.');
/* get the action attribute from the <form action=""> element */
var $form = $(this),
url = $form.attr('action');
var text = $('#text').val();
var score = 0;
text.toLowerCase().split(/\s+|\b/).forEach( word => score += (word in afinn ? afinn[word]/5 : 0) )
var scoreText;
if (score > 0) {
scoreText = "🟢 positive (" + score + ")";
} else if (score < 0) {
scoreText = "🔴 negative (" + score + ")";
} else {
scoreText = "🟡 neutral (" + score + ")";
}
$('#result1').text(scoreText);
plot("gauge1", score);
/* Send the data using post with element id name and name2*/
var posting = $.get(url, {
text: text,
crossDomain:true
});
/* Alerts the results */
posting.done(function(data) {
// log it
console.log('Posting done!');
console.dir(data);
console.log(data);
var parsed = JSON.parse(data);
var pretty = JSON.stringify(parsed, "", 4)
var desc = parsed['documents'][0]['sentiment'];
var score = parsed['documents'][0]['confidenceScores'][desc];
if (desc == "negative") {
score = -score;
desc = “🔴 negativ”;
} else if (desc == "positive") {
desc = "🟢 positive";
} anders {
desc = "🟡 " + desc;
}
$('#result3').text(desc + " (" + score + ")");
$('#result4').text(pretty);
Plot(“Messgerät2”, Punktzahl);
});
posting.fail(function() {
$('#result3').text('failed');
});
});
/ Gestalten Sie den Button, der zum Öffnen und Schließen des einklappbaren Inhalts verwendet wird / .zusammenklappbar { Hintergrundfarbe: #eee; Farbe: #444; Cursor: Zeiger; Polsterung: 18px; Breite: 100 %; Rand: keiner; Textausrichtung: links; Gliederung: keine; Schriftgröße: 15px; }
/ Füge dem Button eine Hintergrundfarbe hinzu, wenn er angeklickt wird (füge die Klasse .active mit JS hinzu) und wenn du mit der Maus darüber fährst (hover) / .aktiv, .collapsible:hover { Hintergrundfarbe: #ccc; }
/ Gestalten Sie den ausblendbaren Inhalt. Hinweis: standardmäßig ausgeblendet / .Inhalt { Polsterung: 0 18px; Anzeige: keine; Überlauf versteckt; Hintergrundfarbe: #f1f1f1; }
Klicken Sie hier, um die API-Antwort von Microsoft Azure Cognitive Services anzuzeigen/auszublenden.
var coll = document.getElementsByClassName(“zusammenklappbar”); var ich;
für (i = 0; i < coll.length; i++) { coll[i].addEventListener(“klicken”, function() {
this.classList.toggle("active");
var content = this.nextElementSibling;
if (content.style.display === "block") {
content.style.display = "none";
} else {
content.style.display = "block";
}
}); }
Wenn Sie durch Vertraulichkeit oder andere kommerzielle Faktoren eingeschränkt sind und keinen cloudbasierten Sentimentanalysedienst verwenden können, würde ich Ihnen für die Verwendung auf Ihrem eigenen Computer die NLTK- oder spaCy -Bibliotheken in Python oder deren Äquivalente in R empfehlen. Diese Modelle sind sofort einsatzbereit und manchmal recht einfach zu trainieren. Wenn Ihr Computer leistungsstark genug ist, können Sie ein Transformer-Modell wie BERT ausprobieren – auf der Website HuggingFace finden Sie einige nützliche Tutorials.
Eine der bekanntesten Möglichkeiten, die Leistung von Sentimentanalyse-Algorithmen zu messen, ist der IMDb-Datensatz – eine Sammlung von 50.000 Filmkritiken aus der IMDB-Filmdatenbank. Kritiken werden als positiv oder negativ kategorisiert und ein maschineller Lernalgorithmus muss diese richtig klassifizieren.
Einer der anderen Rezensenten hat erwähnt, dass man schon nach dem Ansehen einer einzigen Oz-Folge süchtig ist.
(Beispiel einer positiven Rezension aus dem IMDb-Datensatz)
Seit 2011, als Bag-of-Words -Algorithmen 88 % der Rezensionen richtig kategorisieren konnten, haben Transformer-Modelle diese Grenze auf erstaunliche 96 % verschoben.
Leistung einer Auswahl von NLP- Sentimentanalysemodellen im IMDb-Benchmark, die in den letzten Jahren eine Verbesserung von 88 % (Maas et al., 2011) auf 96 % zeigt.
In der Industrie wird die Stimmungsanalyse am häufigsten eingesetzt, um die Meinungen der Öffentlichkeit zu Produkten, Dienstleistungen und Unternehmen zu überwachen. Viele unzufriedene Kunden kommunizieren ihr negatives Feedback nicht direkt, und daher ermöglicht Stimmungsanalyse-Software Unternehmen, Veränderungen in der öffentlichen Meinung oder Kundenunzufriedenheit zu erkennen. Es gibt eine Reihe handelsüblicher Social-Media-Monitoring-Plattformen, mit denen Marketingmanager die Stimmung in Echtzeit überwachen können.
Angesichts der zunehmenden Verbreitung von Chatbots auf Unternehmenswebsites kann die Sentimentanalyse hilfreich sein, um die unzufriedensten Kunden einem menschlichen Kundendienstmitarbeiter statt einem Bot zuzuweisen . Mithilfe der Sentimentanalyse lässt sich der Tonfall des Kunden erfassen und entsprechend mit einem unzufriedenen Kunden umgehen.
Pharmaunternehmen stehen zunehmend vor der Herausforderung, die Anwendung und Wirksamkeit ihrer Produkte zu überwachen, wenn diese bereits auf dem Markt sind. Dies steht im Gegensatz zu der großen Menge an Informationen, die Pharmaunternehmen aufgrund des strengen klinischen Testverfahrens bereits vor der Markteinführung eines Medikaments zur Verfügung stehen.
Viele dieser Unternehmen erhalten große Mengen von Telefonmitschriften oder Umfrageantworten von Ärzten oder anderen Kunden aus aller Welt. Mithilfe einer auf den Pharmabereich spezialisierten Sentimentanalyse-Software können die Aftermarket-Vertreter eines Pharmaunternehmens wichtige Trends erkennen, wie etwa , dass X % der befragten Ärzte einem Patienten mit einer bestimmten Herzerkrankung zwei bestimmte Medikamente nicht in Kombination verabreichen würden, weil sie in der Vergangenheit bei ähnlichen Fällen negative Nebenwirkungen beobachtet haben .
Traditionelle Marktforschungsumfragen waren häufig rein quantitativ und basierten auf der standardisierten Likert-Skala . Die Befragten wurden gebeten, Aussagen oder Produkte auf einer 5-stufigen Skala von 1 ( stimme überhaupt nicht zu, gefällt mir sehr ) bis 5 ( stimme völlig zu, gefällt mir überhaupt nicht ) zu bewerten. Mit dem Aufkommen der Verarbeitung natürlicher Sprache haben Marktforscher nun jedoch die Möglichkeit, in ihren Umfragen Freitextfelder zu verwenden und die Antworten mithilfe natürlicher Sprachverarbeitungstechniken wie Stimmungsanalyse, Themenmodellierung , Dokumentklassifizierung und Wortwolken zu kategorisieren.
In der Zeit, in der ich im Bereich der Verarbeitung natürlicher Sprache gearbeitet habe, habe ich viele technische Veränderungen erlebt, und die Philosophie des Fachgebiets hat sich von fast ausschließlich lexikalischen und regelbasierten Ansätzen zum entgegengesetzten Extrem von maschinellen Lernmodellen ohne manuell entwickelte Funktionen entwickelt. Die Leistung von Algorithmen zur Stimmungsanalyse hat sich drastisch verbessert. Allerdings sind die einfachsten Modelle manchmal die besten. Wenn Sie nur eine sehr kleine Menge an Trainingsdaten haben, kann sogar ein lexikonbasierter Ansatz einen Mehrwert liefern.
Natürlich stehen die Kundenbedürfnisse an erster Stelle und ich würde jede Sentimentanalyse-Anwendung auf der Grundlage dessen entwickeln, was am besten funktioniert, was nicht unbedingt ein neuronales Netzwerk ist. Bei einigen meiner NLP-Projekte stehen möglicherweise nur 10 oder 20 Trainingsdokumente zur Verfügung. Dies kann an Bedenken des Kunden hinsichtlich der Vertraulichkeit liegen oder einfach an der Schwierigkeit, große Datenmengen zu kennzeichnen oder abzurufen. In Fällen, in denen nicht viele Daten vorhanden sind, muss der Ingenieur für natürliche Sprachverarbeitung kreativ sein. Oftmals erfordert dies die Verwendung älterer oder einfacherer Technologien anstelle der neuesten bahnbrechenden Modelle.
Bereit für den nächsten Schritt in Ihrer NLP-Reise? Vernetzen Sie sich mit Top-Arbeitgebern, die Talente in der natürlichen Sprachverarbeitung suchen. Entdecken Sie Ihren Traumjob!
Finden Sie Ihren Traumjob
Generative KI Einführung Generative KI , ein Teilbereich der KI, verändert Branchen grundlegend und gestaltet die Zukunft. Durch die Nutzung fortschrittlicher Algorithmen kann generative KI Inhalte, Designs und Lösungen erstellen, die zuvor undenkbar waren.
Große Daten Das Aufkommen von Big Data hat ganze Branchen revolutioniert und traditionelle Geschäftsmodelle und Entscheidungsprozesse verändert. In dieser umfassenden Untersuchung gehen wir der Frage nach, was Big Data ist, welche erheblichen Auswirkungen es auf die Geschäftsstrategie hat und wie Unternehmen riesige Datenmengen nutzen können, um Innovationen voranzutreiben und sich einen Wettbewerbsvorteil zu verschaffen.
What we can do for you