聊天机器人已经上市了好几年了，但是新的聊天机器人对语言有了更好的理解，并且更具互动性。一些企业使用聊天机器人在帮助台上回答常规问题。有些人使用机器人来帮助路由帮助台问题。在此，根据您的身份以及您的要求，您将被转到正确的呼叫中心人员来回答您的具体问题。其他企业将其用于个性化购物，除了您正在搜索的内容之外，还需要了解您和您喜欢的人。这些用例需要智能的基于NLP的搜索以及机器学习。
大多数人都熟悉Siri或Alexa等交互式搜索应用程序。但是，更常见的是，其他类型的应用程序正在使用某种自然语言界面。这包括BI应用程序，用户可以通过语音或文本以自然语言方式提问，并从应用程序中获得答案。
此外，机器学习正在数据管理和BI应用程序中使用，以帮助处理从数据集成到数据准备到实际分析分析的所有内容。有些应用程序为用户提供了他们可能没有想过自己寻找的见解。本报告的几个赞助商正在提供此类功能。
使用深度学习，可以训练系统识别图像和声音。系统从标记的示例中学习，以便在分类新图像或声音时变得准确。例如，可以训练计算机识别指示电动机发生故障的某些声音。这种应用正在汽车和航空中使用。虽然我们考虑在社交网络中自动标记图像，但这种技术也被用于对商业中的照片进行分类，以用于在线汽车销售或识别其他产品。
文本分析研究单词的面值，包括语法和单词之间的关系。简而言之，文本分析为您提供了意义。情感分析可以深入了解单词背后的情感。
文本分析是指从文本源中提取有用信息。这是一个广义的术语，它描述了使用元信息（如文本中提到的人和地点）对文档进行注释以及有关文档的广泛模型 （例如情感分析，文本聚类和分类）的任务。为了扩展，术语文档是一个抽象概念，可以表示更大集合中的任何连贯文本，例如WordPress帖子集合中的单个博客文章，报纸文章，维基百科上的页面等等。
在文本分析活动期间，研究人员可以开发描述文档若干方面的功能，例如：
・
该文件涉及“健康”或“旅行”。
・
电话中含有大量的负面语言。
・
网站显示特定产品。
・
推文描述了产品与产品问题之间的关系。
・
博客文章的作者可能是物理治疗师。
・
电子邮件违反合规性，因为它揭示了个人信息。
金融行业中典型的文本分析应用程序侧重于合规性和欺诈预防。在这个用例中，自然语言处理的目的是通过语义解释理解通信线程的内容，并识别跨线程的关系和实体。但是，文本分析负责确定给定消息或消息集是否违反合规性。合规部门受益于结合结构化数据（如交易和交易）以及从电子邮件和即时消息中提取的信息。使用这两种类型的数据资产，就可以推断出事务背后的意图。
金融机构面临另一个基本的合规问题 – 反洗钱。金融机构有义务筛选整个业务部门的所有交易，以防止黑名单方之间的交易。该任务涉及分析交易中包含的自由文本以及与外国资产控制办公室（OFAC）和其他政府机构的观察名单匹配的名称和实体。
一个重要的任务是将音译名称与列表中的“一个”表示相匹配。例如，Rajendra这个名字可以音译为Rajinder，Raj或Raja。对多个列表的匹配必须非常精确，因为分析师只能手动查看一小部分警报。
在保险业务中，公司拥有庞大的非结构化呼叫中心，索赔，账单和理发票据文本数据。为了更好地了解保单持有人，这些公司可以利用情绪分析来衡量他们的客户是否对他们的产品，服务和流程感到满意或不满意。文本分析可以识别产品和程序的问题区域，并且可以为改进服务或开发新产品提供指导。
情感分析是使用自然语言处理，统计和文本分析来提取和识别正文，负面或中性类别的文本情感。我们经常看到用于达成二元决策的情绪分析：有人要么支持也要反对某些东西，用户喜欢或不喜欢某些东西，或者产品是好还是坏。了解与竞争对手相关的消费者情绪具有战略性益处。情感分析可以帮助预测客户趋势，因此保持行业中其他业务的公众意见，提供了一个控制组来比较您的分数。
情感分析也称为意见挖掘，因为它包括识别消费者对公司产品，品牌或服务的态度，情感和意见。情感分析可以洞察与您的品牌相关的任何公众舆论变化，这些变化将支持或否定您的业务发展方向。高或低的情绪分数可帮助您确定重组团队或制定新创意策略的方法。
情感分析用例
情绪分析的使用经常应用于评论和社交媒体，以帮助营销和客户服务团队识别消费者的感受。在产品评论等媒体中，情绪分析可用于揭示消费者是否对产品满意或不满意。同样，公司可以使用情绪分析来衡量新产品，广告活动或消费者对社交媒体上近期公司新闻的反应的影响。
公司的客户服务代理可以使用情绪分析，根据电子邮件的情绪自动将传入的用户电子邮件分类为“紧急”或“非紧急”存储桶，主动识别受挫的用户。然后，代理可以将时间用于首先解决具有最紧急需求的用户。
情商分析通常用于商业智能，以了解消费者为什么或不对某些事物做出回应的主观原因（例如，为什么消费者购买产品？他们对用户体验的看法如何？客户服务支持是否满足他们的期望？）。情感分析也可用于政治学，社会学和心理学领域，以分析趋势，意识形态偏见，观点，规范反应等。
情绪分析的挑战
人们以复杂的方式表达观点，这使得理解人类观点的主题成为难以解决的问题。在一段文本中有几个定义的元素可以影响情感分析：对象，属性，意见持有者，意见取向和意见强度。
对象：正在分析的产品，服务，个人，业务，事件或主题
示例：iPhone
属性：对象的特定组件和属性
组件示例：电池，触摸屏，耳机插孔
属性示例：尺寸，重量，加工速度
意见持有人：表达情绪的人或企业
示例：购买iPhone的人
意见取向（极性）：意见的一般立场
示例：正面，负面或中立
意见强度：意见的级别，规模或强度
示例：激动>兴高采烈>快乐>满意
为了从一段文本中获得完整，准确和可操作的信息，重要的是不仅要单独识别这五个元素中的每一个，还要了解它们如何协同工作以提供完整的背景和情感。因为关键字处理仅识别特定单词中反映的情绪，所以它无法提供理解整个作品的完整上下文所需的所有元素。
意见反馈