Cet article abordera les sujets suivants :

On peut définir une opinion comme un point de vue ou une attitude à l'égard d'une situation ou d'un événement, d'un sentiment.

L'analyse de l'opinion consiste à examiner un texte pour déterminer son point de vue. Cette opinion est ensuite qualifiée de « positive » ou de « négative ». C'est ce que l'on appelle la « polarité ».

En fonction du score de polarité, l'opinion générale peut être positive, négative ou neutre. Si une opinion est à la fois positive et négative mais tire vers le positif, le score de polarité la qualifiera de positive.

Notre modèle d'opinion s’appuie sur la technologie de modèle Transformer, une architecture d'apprentissage profond

de classe mondiale. Les modèles d'opinion Transformer obtiennent certains des meilleurs scores de précision dans le domaine du traitement du langage naturel.

Notre dernier modèle intègre des fonctionnalités spécifiques pour assurer un haut niveau de précision :

Le mécanisme d'attention - Développer la compréhension en se concentrant sur les mots les plus importants et les plus pertinents du texte.

Intégrations basées sur des phrases - Notre nouveau modèle est adapté d'un modèle open source pré-entraîné développé par Google (BERT). Alors que les anciens modèles représentent les mots sous forme de vecteurs, BERT représente des phrases entières sous forme de vecteurs. Cela signifie que notre modèle est mieux équipé pour gérer les mots qui ont plusieurs sens. Par exemple, une souris. Voici d'autres exemples :

L'opinion permet de connaître la tonalité globale d'une mention ou d'un article donnés. Dans cette optique, chaque résultat peut être intégré à l'une des catégories suivantes : positif, négatif, neutre ou non évalué. Cette classification est rendue possible par nos algorithmes de traitement automatique du langage naturel (TALN). Vous disposez ainsi du contexte du résultat ainsi que d'une vision globale de la tonalité de votre recherche, de votre marque ou des sujets qui vous intéressent.

Nous prenons en charge la détection de 242 langues et la fonction complète d'analyse de l'opinion pour 218 langues et dialectes.

Voici quelques exemples d'analyse de l'opinion dans Meltwater.

Opinion positive. Ici, un utilisateur révèle son engouement pour une campagne de Coca-Cola.

Opinion négative. Cet utilisateur exprime une émotion négative liée au goût d'un produit Coca-Cola.

Opinion neutre. Cet utilisateur partage un fait lié à une collection Coca-Cola, sans aucune émotion explicite.

Qu'en est-il des situations nuancées ? L'analyse de l'opinion et du langage naturel sont très précises, mais pas parfaites. En présence d'argot, de sarcasme ou de sous-entendus, la perception de l'opinion peut varier d'une interprétation à l'autre. Un même message peut être interprété différemment d'une personne à l'autre. Voici un bon exemple :

Cet utilisateur indique qu'il aime Pepsi, ce qui semble positif pour la marque.

Or, il poursuit en précisant qu'il préfère Coca-Cola à Pepsi. C'est donc un message positif pour Coca-Cola et négatif pour Pepsi. Néanmoins, l'utilisateur affirme apprécier Pepsi... est-ce donc tout de même positif pour ce dernier ?

Cet utilisateur a mentionné Pepsi et Coca-Cola, mais pas RC Cola. Ce message est-il positif, négatif ou neutre pour la marque RC Cola ?

Nous utilisons cet exemple pour souligner que même avec le langage naturel, le contexte est toujours crucial pour déterminer l'opinion vis-à-vis de vos résultats et objectifs globaux. Il est possible que vous ne soyez pas d'accord avec une opinion attribuée par un logiciel : c'est tout à fait humain ! Pour savoir comment corriger une opinion dans Meltwater, lisez la section suivante.

Grâce à l'option Changer d'opinion, vous avez la possibilité d'attribuer une évaluation d'opinion à un document ou à une mention, ou la modifier.

* Remarques importantes

Vous pouvez modifier l'opinion dans le flux du contenu à l'aide de la sélection groupée, au lieu de modifier chaque résultat un par un.

Remarque : si vous sélectionnez plus de 500 documents ou que vous cliquez sur Sélectionner tout en haut du flux du contenu puis sur Sélectionner tous les résultats, l'émoticône d'opinion disparaît, puisque que vous ne pouvez pas modifier plus de 500 résultats à la fois.

Sur le tableau de bord, deux widgets peuvent vous permettre de comprendre la tonalité globale d'un ensemble d'articles : le sentiment et le score de sentiment.

Opinion : ce widget vous permet de connaître le nombre de documents ayant reçu un score de tonalité positif, négatif ou neutre. Vous disposez ainsi du contexte de l'article ainsi que d'une vision globale de l'opinion vis-à-vis de votre recherche, de votre marque ou des sujets qui vous intéressent. Ce graphique peut prendre les formes suivantes : diagramme en anneau (voir ci-dessous), en ligne, en bâtons ou en camembert.

Score de tonalité : reprend la part d'articles positifs par rapport aux négatifs, sans tenir compte des articles neutres.

Opinion par rapport à la période précédente - Cet indicateur fournit une vue d'ensemble de l'opinion des résultats. Il est calculé en déduisant les résultats avec une opinion négative des résultats avec une opinion positive, puis en comparant ce résultat avec le total des documents dotés d'une note d'opinion. Formule : ([nombre de documents positifs] - [nombre de documents négatifs]) / ([nombre de documents dotés d'une note d'opinion]) x 100

Pro Tip Si la moitié de vos articles sont positifs, et l'autre moitié sont négatifs, attendez-vous à un score de "0". Si tous les articles sont positifs, attendez-vous à un score de "+100".

Les widgets de sentiment suivants se trouvent dans la mise en page du canevas, la mise en page des diapositives, le modèle de rapport de marque, le modèle de rapport de référence, le modèle de rapport de campagne, le modèle de rapport de couverture et les tableaux de bord Mesure des Earn Media.

Sentiment moyen - Affiche la tonalité moyenne des mentions dans vos entrées sélectionnées. Le sentiment provient de notre algorithme basé sur le traitement automatique du langage naturel.

Répartition des sentiments : cette analyse montre une répartition des sentiments pour les mentions parmi vos sources sélectionnées. Le sentiment provient de notre algorithme basé sur le traitement automatique du langage naturel. Les mentions étiquetées comme « Non évaluées » n'ont pas assez de texte pour analyser le sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Tendance des sentiments : affiche une répartition des sentiments pour les mentions dans les entrées que vous avez sélectionnées, en fonction des tendances au fil du temps. Les mentions « Non évaluées » ne comportent pas suffisamment de texte pour analyser le sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Sentiment par type de source - Affiche la répartition des sentiments pour les mentions que vous avez sélectionnées, en les séparant par type de source. Les mentions « Non évaluées » ne comportent pas suffisamment de texte pour analyser le sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Tendance générale des sentiments - Affiche la tonalité moyenne des mentions pour chacune de vos entrées sélectionnées au fil du temps. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Principaux mots du sentiment : affiche les mots clés et les phrases qui apparaissent le plus souvent dans les mentions, sur les entrées que vous avez sélectionnées, ventilés selon le sentiment de la mention. Les mentions étiquetées comme « Non évaluées » n'ont pas assez de texte pour analyser le sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Principales publications du sentiment - Affiche les publications éditoriales avec le plus de mentions, en fonction du sentiment des mentions. Les mentions étiquetées comme « Non évaluées » n'ont pas assez de texte pour analyser le sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Principaux lieux du sentiment - Répartition des mentions par lieu en fonction de l'emplacement de l'auteur, également divisée par sentiment. Les données YouTube sont exclues du graphique conformément aux politiques de ce média social.

Sentiment moyen - Affiche la tonalité moyenne des mentions dans vos entrées sélectionnées. Le sentiment provient de notre algorithme basé sur le traitement automatique du langage naturel.

Vous pouvez désormais effectuer une recherche par opinion au niveau de l'entité !

En utilisant le nouvel opérateur booléen comme outil de tri des opinions, vous pourrez récupérer des articles et des publications où une entité donnée (par ex. votre marque, votre concurrent ou votre produit) est mentionnée dans une phrase négative ou positive, même si l'opinion générale du document est différente.

Par exemple, cette requête renvoie tous les documents dans lesquels Tesla a été identifié en tant qu'entité dans une phrase négative :

enrichments.namedEntities[canonicalName:Tesla AND sentiment.discrete:v]

Pour obtenir les résultats positifs, remplacez la variable « sentiment » v (négatif) par p (positif), comme ceci :

enrichments.namedEntities[canonicalname:Tesla AND sentiment.discrete:p]

Pour couvrir plusieurs versions de l'entité, vous pouvez étendre le critère du nom via une requête OR :

enrichments.namedEntities[canonicalName:Tesla OR name:“Tesla Motors“ AND sentiment.discrete:p]

Variables booléennes de l'opinion :

* Remarques importantes

Dans les cas où deux entités ou plus sont mentionnées dans la même phrase avec des opinions divergentes, l'opinion de la phrase sera déterminée à la majorité en combinant les opinions.

Un exemple : Coca Cola est le meilleur soda, je n'aime pas Pepsi.

Cette phrase emphatique est davantage positive que négative ; toutes les entités détectées dans cette phrase seront donc reliées à une opinion positive.

La recherche d'entités n'est pas encore disponible pour les réseaux sociaux où une marque est mentionnée avec @ plutôt que dans le corps du texte, comme sur Twitter.

Nous ajoutons régulièrement des langues à nos modèles modernes de TALN et de deep learning. Nous sommes déterminés à renforcer la précision de la détection des opinions et à les retravailler pour certaines langues si nécessaire.

💡 Conseil

Vous avez encore besoin d'aide ? N'hésitez pas à nous contacter via le chat en direct ou à vous rendre sur la page de notre communauté de clients.

Trouvez des réponses et obtenez de l'aide de la part de l'équipe d'assistance de Meltwater et des experts de notre communauté.