7 个使用大语言模型的最佳情绪分析 API

您是否有兴趣开发能够智能跟踪受访者对某些话题感受的工具？ 或者是监控客户在所有社交媒体上对新产品的感受的工具？ 或者分析来电者对与特定座席互动的感受？ 由高级人工智能模型驱动的情感分析可以提供帮助。

在本篇文章中，我们将更深入地探讨什么是情感分析、情感分析的工作原理、当前模式、用例、执行情感分析时使用的最佳 API 以及当前的一些局限性。

什么是情感分析？

在自然语言处理（NLP）中，情感分析是指使用人工智能（AI）和机器学习（ML）算法自动检测和标记文本中的情感，以便进行文本分类和分析。 情感分析有时也被称为情感 “挖掘”，因为情感分析是在源材料中识别和提取–或挖掘–主观信息。

情感分析用于确定作者或发言者对某一对象或想法的总体情感。 通常情况下，这意味着产品团队要建立一些工具，利用情感分析来分析对新闻文章的评论或对品牌、产品或服务的在线评论，或应用于社交媒体帖子、电话、访谈等。 然后，这些归因的情感可以用来分析客户的感受和反馈，作为市场调研，为活动、产品、培训、招聘决策和关键绩效指标提供依据。

情感分析还可用于 ASR 应用程序，如使用语音到文本 API 转录音频或视频文件中的语音片段。

意图分析和情感检测的作用与情感分析类似，有助于完善 NLP 文本分类的基本构件。 意图分析可识别文本中的意图，如意见、反馈和抱怨等，以便进行分析。 情绪检测可识别文本中的情绪，如高兴、愤怒、满意和激动等，以便进行分析。

既然我们已经对什么是情感分析有了基本的了解，那就让我们来探讨一下 NLP 中的情感分析是如何工作的。

情感分析是如何工作的？

在情感分析模型中，目标是将情感分类为积极、消极或中性。 这种分类可以在静态文本体上进行，也可以在使用语音转录 API 转录的音频或视频文件上进行。

为此，许多情感分析模型会输出一个介于 -1 和 1 之间的数字：

-1 = negative （-1 = 负 ）

0 = neutral（0 = 中性）

1 = positive（1 = 正）

这也被称为情感极性。 现在，该模型可以设置为按比例或概率对这些数字进行分类。 例如，在比例尺上，0.6 的输出将被归类为正数，因为它比 0 或 -1 更接近 1。 概率则使用多类分类来输出确定性概率–例如，25% 的概率认为是正面的，50% 的概率认为是负面的，25% 的概率认为是中性的。 在这种情况下，概率最高的情绪（即负面情绪）将是您的输出结果。

情感分析模型

情感分析是自然语言处理（NLP）领域中一个非常活跃的研究领域，最近的进展得益于最前沿的机器学习和深度学习研究。 情感分析主要是通过微调变换器来完成的，因为这种方法已被证明可以很好地处理文本和语音等顺序数据，并能很好地扩展到 GPU 等并行处理硬件。

此外，还有强大的开源数据集和训练数据基准可供您在微调过程中使用。 亚马逊、电影 IMDB、Yelp 和 Twitter 等评论网站都是很好的训练数据，因为它们的情感通常很强烈，而且更偏向于积极-消极的一方。

情感分析的最佳应用程序接口

想对一段预写文本或音频或视频文件进行情感分析？ 以下是值得考虑的顶级情感分析工具和应用程序接口（请注意，这些应用程序接口支持预写文本或音频流的情感分析，或两者兼而有之）：

1. AssemblyAI 的情感分析 API

AssemblyAI 的情感分析 API 于 2021 年 11 月发布，对于希望对音频或视频流进行情感分析的产品团队和开发人员来说，它具有很高的准确性，而且比目前市场上的许多其他情感分析 API 更经济实惠。 其情感分析模型利用情感极性来确定语音片段是正面、负面还是中性的概率。

除情感分析外，AssemblyAI 还拥有大量其他音频智能应用程序接口，包括实体检测、说话者日记化、内容节制、文本摘要等。

2. Twinword 情感分析 API

Twinword 的情感分析 API 是进行简单文本分析的最佳选择。 该 API 的基本套餐每月可免费使用多达 500 个单词，付费计划根据使用情况每月从 19 美元到 250 美元不等。

API 采用分数和比率将文本标记为正面、负面或中性。 比率是通过比较负面情绪和正面情绪的总分来确定的，并采用-1 到 1 的比例。

除情感分析外，Twinword 还提供其他形式的文本分析，如情感分析、文本相似性和词语关联。

3. Watson 自然语言理解

IBM Watson 的自然语言理解 API 可对静态文本进行情感分析和更细致的情感/情绪检测，如情感、关系和语义角色。

不过，请记住，用于准确识别这些复杂情绪的技术仍处于起步阶段，因此请谨慎使用这些更先进的功能。

纯粹的情感分析应用程序接口（API）会为实体或关键词中检测到的情感分配大小和分数，以帮助用户更好地理解所选文本。

4. Amazon 针对 AWS Transcribe 的转录

作为 AWS Transcribe 附加功能的一部分，Amazon Comprehend 可将音频流中的文本情感分为积极、消极或中性。 此外，如果文本中提取的情感不明确或来回翻转，Amazon Comprehend 还可以为文本分配 “混合 “情感。

启用 Amazon Comprehend 后，文本记录将显示上述每种情感的概率分数，以及每个文本片段的总体情感归属。

请注意，要使用 Amazon Comprehend，开发人员需要将您的转录文件托管到 Amazon S3 云存储中。

5. 用于谷歌语音转文本的谷歌云自然语言 API

谷歌还有一个名为 “谷歌云自然语言 API “的情感分析 API，其工作原理与亚马逊 Comprehend 相似。

使用其 analyzeSentiment 功能，开发人员将获得转录文本中每个语音片段的积极、中性或消极情感。 还将为每个文本片段分配一个幅度分值，以显示有多少情感内容可供分析。

使用 Google Speech-to-Text 和云自然语言可能会比较昂贵，但如果你已经熟悉了 Google 的 NLP 产品，这将是一个不错的选择。

应用和举例

情感分析有什么用？ 很多！ 电话公司的产品团队通过基于云的联络中心，利用情感分析提取客户与座席对话的情感。 然后，这些团队就可以跟踪客户对特定产品、事件甚至座席人员的感受和反馈，从而为客户服务提供帮助。 他们还可以用它来分析座席人员的行为。

虚拟会议平台的产品团队使用情感分析法，按会议部分、会议主题、会议时间等确定与会者的情感。 这可以成为一个强大的分析工具，帮助产品团队做出更明智的决策，以改进产品、客户关系、代理培训等。

目前的限制

从上面的示例中可以看出，大多数情感分析 API 只能准确归纳出三种属性–正面、负面或中性。 我们知道，人类的情感要比这种非黑即白的输出细微得多。

另一个限制是开源数据集。 虽然有大量数据集可用于训练情感分析模型，但其中大部分都是文本，而非音频。 因此，音频流中可能隐含的一些内涵往往会丢失。 例如，某人在说 “我们去杂货店买东西吧 “这句话时，可能会热情洋溢，也可能会中规中矩，还可能会勉为其难，视情况而定。

本文翻译源自：https://www.assemblyai.com/blog/best-apis-for-sentiment-analysis/#what-is-sentiment-analysis