ამ გზამკვლევში ჩვენ განვიხილავთ ყველაფერს, რაც უნდა ისწავლოთ Twitter-ზე სენტიმენტების ანალიზის დასაწყებად. ჩვენ გაგიზიარებთ სენტიმენტების ანალიზის ნაბიჯ-ნაბიჯ პროცესს, როგორც პროგრამისტებისთვის, ასევე არაპროგრამისტებისთვის. თუ პროგრამისტი ხართ, ისწავლით Inference API-ის გამოყენებას – მარტივად გამოსაყენებელი მანქანური სწავლების API-ის, რომელიც საშუალებას მოგცემთ, ტვიტების სენტიმენტების ანალიზი მასშტაბურად, რამდენიმე სტრიქონი კოდით ჩაატაროთ. თუ არ იცით კოდირება, არ ინერვიულოთ! ჩვენ ასევე განვიხილავთ, თუ როგორ უნდა ჩაატაროთ სენტიმენტების ანალიზი Zapier-ის საშუალებით – უკოდო ხელსაწყოს მეშვეობით, რომელიც საშუალებას მოგცემთ, შეაგროვოთ ტვიტები, გაანალიზოთ ისინი Inference API-ით და საბოლოოდ გააგზავნოთ შედეგები Google Sheets-ში. განაგრძეთ კითხვა ან გადადით იმ სექციაზე, რომელიც ყველაზე მეტად გაინტერესებთ. სენტიმენტების ანალიზი იყენებს მანქანურ სწავლებას, რათა ავტომატურად განსაზღვროს, თუ როგორ საუბრობენ ადამიანები მოცემულ თემაზე. სენტიმენტების ანალიზის ყველაზე გავრცელებული გამოყენება ტექსტური მონაცემების პოლარობის დადგენაა, ანუ ავტომატური იდენტიფიცირება, საუბრობს თუ არა ტვიტი, პროდუქტის მიმოხილვა ან მხარდაჭერის ბილეთი რაიმეზე დადებითად, უარყოფითად ან ნეიტრალურად. მაგალითად, მოდით გადავხედოთ რამდენიმე ტვიტს, რომლებიც @Salesforce-ს ახსენებენ და ვნახოთ, როგორ დაათეგავდა მათ სენტიმენტების ანალიზის მოდელი: „რაც უფრო მეტს ვიყენებ @salesforce-ს, მით უფრო არ მომწონს ის. ნელია და სავსეა ხარვეზებით. მომხმარებლის ინტერფეისის ზოგიერთი ელემენტი ისე გამოიყურება, თითქოს 2006 წლის შემდეგ არ განახლებულა. ამჟამინდელი გაღიზიანება: აპლიკაციების გაცვლის გვერდები ყოველ 10 წამში ერთხელ განახლებას არ წყვეტს.“ --> ეს პირველი ტვიტი აღინიშნებოდა როგორც „უარყოფითი“. „აი, რა მიყვარს @salesforce-ში. ის ურთიერთობებზე და ადამიანებზე ზრუნვაზეა, და არა მხოლოდ ბიზნესსა და ფულზე. მადლობა #TrailblazerCommunity-ზე ზრუნვისთვის.“ --> ამის საპირისპიროდ, ეს ტვიტი კლასიფიცირდებოდა როგორც „დადებითი“. „შინ დაბრუნება: #Dreamforce სან-ფრანცისკოში მე-20 წლისთავზე ბრუნდება. გაიგეთ მეტი: http://bit.ly/3AgwO0H @Salesforce-ის მეშვეობით.“ --> და ბოლოს, ეს ტვიტი აღინიშნებოდა როგორც „ნეიტრალური“, რადგან ის არ შეიცავს აზრს ან პოლარობას. არც ისე დიდი ხნის წინ, ბრენდის, პროდუქტის ან სერვისის შესახებ ტვიტების ანალიზი ძალიან სახელმძღვანელო, რთული და დამღლელი პროცესი იყო; ის მოითხოვდა, რომ ვინმეს ხელით გადაევლო შესაბამისი ტვიტები, წაეკითხა და დაეთეგა ისინი მათი სენტიმენტების მიხედვით. როგორც წარმოგიდგენიათ, ეს არა მხოლოდ არ არის მასშტაბური, ძვირი და ძალიან შრომატევადია, არამედ მიდრეკილია ადამიანური შეცდომებისადმი. საბედნიეროდ, ხელოვნური ინტელექტის უახლესმა მიღწევებმა კომპანიებს საშუალება მისცა, გამოეყენებინათ მანქანური სწავლების მოდელები ტვიტების სენტიმენტების ანალიზისთვის, რომლებიც ისეთივე ზუსტია, როგორც ადამიანები. მანქანური სწავლების გამოყენებით, კომპანიებს შეუძლიათ ტვიტების ანალიზი რეალურ დროში 24/7-ზე, მასშტაბურად და ათასობით ტვიტის ანალიზი წამებში, და რაც მთავარია, მიიღონ ის ინფორმაცია, რომელსაც ეძებენ, როცა ეს მათ სჭირდებათ. რატომ უნდა ჩავატაროთ სენტიმენტების ანალიზი Twitter-ზე? კომპანიები ამას სხვადასხვა მიზნით იყენებენ, მაგრამ ორი ყველაზე გავრცელებული შემთხვევაა მომხმარებლის უკუკავშირის ანალიზი და ხსენებების მონიტორინგი პოტენციური პრობლემების ადრეულ ეტაპზე გამოსავლენად. **უკუკავშირის ანალიზი Twitter-ზე:** მომხმარებლების მოსმენა გადამწყვეტია იმ ინფორმაციის მოსაპოვებლად, თუ როგორ შეგიძლიათ გააუმჯობესოთ თქვენი პროდუქტი ან სერვისი. მიუხედავად იმისა, რომ უკუკავშირის მრავალი წყარო არსებობს, როგორიცაა გამოკითხვები ან საჯარო მიმოხილვები, Twitter გთავაზობთ პირდაპირ, გაუფილტრავ უკუკავშირს იმის შესახებ, თუ რას ფიქრობს თქვენი აუდიტორია თქვენს შეთავაზებაზე. Twitter-ზე იმის ანალიზით, თუ როგორ საუბრობენ ადამიანები თქვენს ბრენდზე, შეგიძლიათ გაიგოთ, მოსწონთ თუ არა მათ თქვენ მიერ ახლახან გამოშვებული ახალი ფუნქცია. ასევე შეგიძლიათ მიხვდეთ, რამდენად ნათელია თქვენი ფასები სამიზნე აუდიტორიისთვის. ასევე შეგიძლიათ ნახოთ თქვენი შეთავაზების რომელი ასპექტებია ყველაზე მეტად მოწონებული და არამოწონებული, რათა მიიღოთ ბიზნეს გადაწყვეტილებები (მაგ., მომხმარებლებს უყვართ მომხმარებლის ინტერფეისის სიმარტივე, მაგრამ სძულთ მომხმარებლის მხარდაჭერის ნელი მუშაობა). **Twitter-ის ხსენებების მონიტორინგი პრობლემების გამოსავლენად:** Twitter იქცა ნაგულისხმევ საშუალებად ცუდი მომხმარებლის გამოცდილების გაზიარებისა და იმედგაცრუების გამოსახატავად, როდესაც პროდუქტის ან სერვისის გამოყენებისას რაღაც არასწორად მიდის. სწორედ ამიტომ აკვირდებიან კომპანიები, თუ როგორ ახსენებენ მომხმარებლები მათ ბრენდს Twitter-ზე, რათა ადრეულ ეტაპზე გამოავლინონ ნებისმიერი პრობლემა. სენტიმენტების ანალიზის მოდელის დანერგვით, რომელიც შემომავალ ხსენებებს რეალურ დროში აანალიზებს, თქვენ შეგიძლიათ ავტომატურად მიიღოთ შეტყობინება უარყოფითი ხსენებების მოულოდნელი ზრდის შესახებ. უმეტეს შემთხვევაში, ეს გამოწვეულია მიმდინარე სიტუაციით, რომელიც სასწრაფოდ მოგვარებას საჭიროებს (მაგ., აპლიკაციის არ მუშაობა სერვერის გათიშვის გამო ან მომხმარებლის მხარდაჭერის წარმომადგენელთან ნამდვილად ცუდი გამოცდილება). ახლა, როდესაც განვიხილეთ, რა არის სენტიმენტების ანალიზი და რატომ არის ის სასარგებლო, მოდით გადავიდეთ პრაქტიკაზე და რეალურად ჩავატაროთ ტვიტების სენტიმენტების ანალიზი. დღესდღეობით, Twitter-ზე სენტიმენტების ანალიზის დაწყება საკმაოდ მარტივი და პირდაპირია. რამდენიმე სტრიქონი კოდით შეგიძლიათ ავტომატურად მიიღოთ ტვიტები, ჩაატაროთ სენტიმენტების ანალიზი და ვიზუალურად წარმოადგინოთ შედეგები. და თქვენ შეგიძლიათ ისწავლოთ ამ ყველაფრის გაკეთება სულ რამდენიმე წუთში! ამ სექციაში ჩვენ გაჩვენებთ, თუ როგორ უნდა გააკეთოთ ეს საინტერესო პატარა პროექტის ფარგლებში: ჩვენ ჩავატარებთ Notion-ის ხსენების შემცველი ტვიტების სენტიმენტების ანალიზს! ჯერ თქვენ გამოიყენებთ Tweepy-ს, ღია კოდის Python ბიბლიოთეკას, რათა Twitter API-ის გამოყენებით მოიპოვოთ ტვიტები, რომლებიც @NotionHQ-ს ახსენებენ. შემდეგ გამოიყენებთ Inference API-ს სენტიმენტების ანალიზისთვის.