Analyse de Texte

Feedier utilise l'analyse du traitement du langage naturel (NLP) afin d'interpréter et mesurer le sentiment global des retours textuels (verbatim).

En utilisant le traitement du langage naturel (NLP) et l'analyse des sentiments (pondération de cinq sentiments différents) vous pouvez détecter et analyser le sentiment d'un retour client au-delà des mots utilisés. Ce modèle prend en compte la question posée et la réponse textuelle donnée et analyse un grand volume de retours textuels afin d'obtenir un indicateur précis “le Score de Sentiment” :

Open

5 sentiments sont utilisés pour indiquer le score associé aux mots-clés les plus récurrents :

• En colère : un produit ou un service est mal vu.

• Négatif : un produit ou un service est plutôt mal perçu.

• Mixte : ------------------------------------------

• Positif : un produit ou un service est bien apprécié.

• Heureux : un produit ou un service est très bien apprécié.

Il s'agit d'une moyenne pondérée réalisée par le système Feedier entre les totaux des sentiments les plus pertinents en prenant en compte le contexte de la question et la réponse.

F.A.Q :

• Quelle volumétrie minimale pour entrainer le modèle afin d’augmenter sa précision ?

Nous recommandons un minimum de 500 verbatims afin d’entrainer le modèle pour un contexte spécifique.

• Quels paramètres sont pris en compte dans le calcul des sentiments des commentaires ?

Le modèle analyse le commentaire textuel, en prenant en compte la question posée, à travers les 5 sentiments mentionnés dans cet article. Le score de sentiment est une moyenne pondérée calculée à partir des scores des sentiments les plus pertinents par rapport à l’analyse effectuée.

Articles similaires sur l'analyse de texte :

• Guide de l'utilisation de l'IA

• Réponses textuelles et mots-clés

• La synthèse de texte

• Analyse et gestion des thèmes