ניתוח סנטימנט (Sentiment Analysis)

מה זה ניתוח-סנטימנט

ניתוח סנטימנט (Sentiment Analysis) היא משימת-NLP שמטרתה לזהות אוטומטית את הקוטביות הרגשית המובעת בקטע-טקסט — האם היא חיובית, שלילית או ניטרלית — ולעיתים גם את עוצמתה, למשל בסולם של כוכב אחד עד חמישה. המשימה מכונה לעיתים גם "כריית-דעות" (Opinion Mining), משום שהיא מתמקדת בדרך-כלל בעמדה סובייקטיבית של הכותב כלפי נושא ספציפי — מוצר, סרט, שירות — ולא ברגש הכללי של הטקסט כמכלול. חשוב להבחין בינה לבין זיהוי-רגשות (Emotion Detection) הרחב יותר, שמנסה לסווג רגשות ספציפיים כמו כעס או שמחה, לא רק קוטביות חיובי-שלילי.

2002: מאמר-היסוד של Pang, Lee ו-Vaithyanathan

אחד המאמרים המשפיעים ביותר שהניעו את התחום כתחום-מחקר סטטיסטי פורסם ב-2002: "Thumbs up? Sentiment Classification using Machine Learning Techniques", מאת בו פאנג, לילן לי ושיווקומאר וייתיאנתן, שהוצג בכנס EMNLP. המאמר בחן האם טכניקות-סיווג רגילות שהצליחו במשימות-נושא (כמו Naive Bayes ומכונות-וקטור-תומך) מצליחות באותה מידה כשהן מיושמות על סיווג ביקורות-סרטים לחיוביות או שליליות, ומצא שסיווג-סנטימנט קשה יותר ממה שציפו — הטקסט לא תמיד מכיל מילים חיוביות או שליליות מובהקות, ולעיתים תלוי בהיפוך משמעות (כמו סרקזם). המאמר זכה מאוחר יותר בפרס Test-of-Time של כנס NAACL, ב-2018. בהמשך ישיר, פרסמו פאנג ולי ב-2005 מאמר נוסף, "Seeing Stars", שהרחיב את המשימה מסיווג בינארי (חיובי/שלילי) להערכת דירוג רב-ערכי — למשל דירוג של כוכב אחד עד חמישה — תוך התייחסות לכך שדירוגים סמוכים (שלושה וארבעה כוכבים) קרובים זה לזה מהותית יותר מדירוגים רחוקים, בניגוד לסיווג-נושא רגיל שבו כל קטגוריה בלתי-תלויה באחרות.

2003: הגדרה מדויקת יותר, ומקור המונח

שנה אחר-כך, ב-2003, פרסמו טצוּיה נסוקאווה וג'ונג-הי יי מ-IBM מאמר בכנס K-CAP, "Sentiment analysis: capturing favorability using natural language processing", שנחשב לאחד המקורות המוקדמים לשימוש הספציפי במונח "ניתוח סנטימנט" עצמו. בניגוד לגישת-הסיווג של Pang ו-Lee, שהתייחסה למסמך שלם, נסוקאווה ויי הציעו לחלץ סנטימנט כלפי נושא (Subject) ספציפי בתוך הטקסט — לא רק "האם הביקורת חיובית" אלא "מה העמדה כלפי הרכיב הזה בדיוק" — בעזרת שילוב של ניתוח תחבירי ומילון-סנטימנט, ודיווחו על דיוק-חיובי (precision) של 75%–95% בהתאם לסוג-הנתונים שנבדק.

שלוש גישות: מילון, למידת-מכונה סטטיסטית ולמידה עמוקה

לאורך השנים התפתחו שלוש משפחות-שיטות עיקריות. גישות מבוססות-ידע מסתמכות על מילוני-מילים מתויגות מראש (כמו "שמח", "עצוב", "מפחיד") וכללים לשילובן. גישות סטטיסטיות, בעקבות Pang ו-Lee, מאמנות מסווג — כמו Naive Bayes או SVM — על אוסף-דוגמאות מתויג, לרוב תוך ייצוג הטקסט כ"שקית-מילים" (Bag of Words). גישות למידה-עמוקה, המקובלות היום, משתמשות ברשתות-נוירונים מבוססות-הקשר (כמו BERT) שמסוגלות להתמודד עם טקסטים מורכבים יותר — למשל כתבות-חדשות, שבהן הכותב נמנע לעיתים קרובות מהבעת-דעה מפורשת, והרגש עולה רק מההקשר הרחב.

אתגרים שנשארו פתוחים

גם עם שיטות מתקדמות, ניתוח-סנטימנט נתקל בקשיים חוזרים: סרקזם ואירוניה, שבהם הניסוח החיובי-לכאורה מבטא בפועל ביקורת שלילית; שלילה ("לא היה רע"), שהופכת קוטביות של מילה בודדת; טקסט מעורב-סנטימנט, שמביע גם שבח וגם ביקורת כלפי היבטים שונים של אותו מוצר באותו משפט; ותלות-דומיין חזקה, כשמילה כמו "בלתי-צפוי" חיובית בביקורת-סרט אך שלילית בביקורת-מוצר אלקטרוני. אלה הסיבות שבגללן דיוק-הסיווג משתנה מאוד בין תחום לתחום, ולמה מודל שאומן על ביקורות-סרטים לא בהכרח יתפקד היטב על ציוצים ברשת-חברתית.

יישומים היום

ניתוח-סנטימנט משמש היום בקנה-מידה תעשייתי רחב: מותגים סורקים ביקורות-לקוחות ופוסטים ברשתות-חברתיות כדי לזהות שביעות-רצון או תלונות חוזרות בזמן-אמת; שירותי-לקוחות מתעדפים פניות לפי חומרת-הרגש שבהן; אנליסטים פיננסיים בוחנים סנטימנט בחדשות ובפוסטים כדי להעריך מגמות-שוק; ומחקר קליני-רפואי משתמש בו כדי לנתח עמדות מטופלים כלפי טיפולים. סיכום הביקורות של יוטפו, למשל, מזהה את הנושאים המרכזיים בביקורות על מוצר, קובע לגבי כל נושא אם הוא מוזכר לטובה או לרעה, ומציג בעמוד המוצר יתרונות וחסרונות עם מספר האזכורים. מודלי-שפה גדולים מודרניים משמשים כיום גם לניתוח-סנטימנט ישירות מתוך פרומפט, מבלי לאמן מסווג ייעודי, אך פתרונות ייעודיים וקלים נשארים נפוצים בקנה-מידה תעשייתי גדול מטעמי מהירות ועלות.