人工智能分析评论数据,例如这里举例一般的评论分析需求:
1:【分析维度】主题分析:
从评论分析出该品牌对于:产品质量,价格,客户服务三方面的反馈,每个方面不低于5句话进行总结并针对每个方面做一个词云;
2:【分析维度】关键词分析
关键词分析,梳理出评论中出现最多的关键词有哪些,例如:
用户评论中最常见的关键词:
- "自然"(出现在 65% 的评论中)
- "质地柔软"(出现率60%的评论中)
- "颜色褪色"(以25%的评论中出现)
- "价格高"(在40%的评论中出现)
- "商品快"(在45%的评论中出现)
- "包装损坏"(出现在 15% 的评论中)
3 :【分析维度】场景关键词分析
分析在不同场景的维度下 , 评论中有出现如下类型的的关键词有哪些:
产品词:例如:全蕾丝头套,发帘等
需求词/功效词:例如:显年轻,高贵等
场景词:例如:party,生日会,舞会等
人群词:例如:上班族,妈妈,护士
地域词:例如:亚特兰大,纽约等
- 【分析维度】趋势分析
根据评论数据的时间,分析用户情绪的变化趋势:
例如:
- 在过去的6个月中,关于质量问题(特别是颜色褪色)的负面评论有所增加。
- 在最近的促销活动期间,关于价格的正面评论有所上升。
- 【分析维度】结论与建议:
让gpt/大模型输出整体的结论与建议。例如:
本报告揭示了以下几点重要见解:
- 用户普遍认为,该品牌的假发在视觉上和触感上 接近真人头发,但颜色的持久性可能需要改进。
- 虽然部分用户对价格有些不满,但大多数人认为该品牌的产品物有所值。品牌可以考虑通过提供更多的优惠或促销活动,吸引对价格敏感的消费者。
- 该品牌的客户服务在用户中得到了良好的评价,但产品问题可能需要进一步解决。
- 【分析维度】可视化展示分析效果
这里我们展示一下评论分析最终得到的分析结果:
^ 如上图所示,我们利用人工智能gpt/大模型可以从评论获得评论的主题维度,评论的意图维度,关键词维度,好评差评维度,还有随着时间而变化的指标趋势,不同维度下的指标分布情况等。
下面是thereviewindex.com/的评论分析例子:
thereviewindex 也是把评论按主题分类,然后按好评差评维度进行汇总。
下面我们再看看voc.ai的评论分析功能:
voc.ai的评论分析 是基于主题,场景,意图和期待等维度来进行评论分析。
根据评论分析的需求,我们知道评论分析的关键在于从不同维度得到对应的指标,例如好评差评,关键词等,然后进一步汇总得到分布和随时间的趋势走向。
现在我们利用了人工智能按各个维度去分析每一条评论:
如图所示,可以从评论分析得到不同维度得到对应的指标,例如好评差评,关键词等。
这里展示一个结构化提示语,比较好的得到以上的评论分析结果:
typescript
Role:评论分析专家
Context:需要分析一份假发的商品评论数据,以便了解用户对产品的真实看法,分析产品存在的问题和优势。
OutputFormat:
-----
{
"sentiment":"positive/negative",
"topic_information": {
"Product_Quality": {
"positive": 0.0,
"negative": 0.0,
"child_topic": "Size/Dimension", //topic classification ,for example: Reliability and Durability,Consistency,Safety ,Size/Dimension,Material ,Realism,Comfort ...
"topic": "Product Quality",
"keywords": ["Incorrect sizing"], // keywords text classification
},
"Price": {
"positive": 0.00,
"negative": 0.00,
"child_topic": "Discounts", //topic classification ,for example: Transparency,Discounts,Additional Costs,Policies ....
"topic": "Price",
"keywords": ["High cost-effectiveness"], //keywords text classification
},
"Customer_Service" :{
"positive": 0.00,
"negative": 0.00,
"child_topic": "Shipping", //topic classification ,for example: Responsiveness,Shipping,Returns and Refunds ,Support, experience ,Pre-sales,After-sales,Feedback ....
"topic": "Customer Service",
"keywords": ["Slow shipping"], //keywords text classification
}
},
"keyword_information": {
"Product_features": ["full lace headband"], //For example, full lace headband, hair extension, etc.
"Customer_Expectation": ["noble"], //For example, youthful appearance, noble, etc.
"Usage_Scenario": ["dance party"], //For example, party, birthday party, dance party, etc.
"User_Persona": ["office workers"], //For example, office workers, mothers, nurses, etc.
"Location": ["Atlanta"] //For example, Atlanta, New York, etc.
},
"positive_words": [],
"negative_words": [],
"Topic_Labeling": "", //Topic Labeling word
"Intent_Detection": "", //Intent Detection
}
-----
Constrains:
请严格按OutputFormat json格式回答(Return the answer as a JSON object.)
Task: 需要分析的评论数据:
{{query}}
结构化提示语的核心逻辑如图所示:
Role:定义角色,Context:定义背景,Task:定义目标 ,这样就可以比较好的得到评论分析的结果。
大模型长文本处理能力
以上是按每一条评论进行人工智能分析,然后进行汇总得到总体评论分析结论。我们也可以利用更强大的大模型长文本处理能力 (例如claude2,kimi等) , 直接把全部评论上传给人工智能大模型进行评论分析:
当我们有结构化的excel数据,例如我们的导出分析已经包含各维度的指标,我们可以直接导入给chatgpt 的code interpretor, 可以针对各维度进行数据计算分析。
参考:gpt处理大文本进行评论分析 www.linkedin.com/pulse/how-u...