開始使用 Twitter 情感分析

概述

情感分析是將文字資料依極性（通常為正面、負面或中性）自動分類的過程。透過機器學習，企業能夠即時且大規模地分析 Twitter 提及，收集未經過濾的客戶回饋，推動商業決策，並及早偵測潛在的公關危機或產品問題。

透過程式碼的技術實作

開發者可以透過結合 Twitter API 進行資料收集與 Hugging Face Inference API 進行模型執行，來實作 Twitter 情感分析。此方法免除建置機器學習基礎設施或管理 MLOps 的需求。

資料收集與處理

  • Tweepy：一個開源的 Python 函式庫，用於驗證 Twitter API 並根據特定查詢（例如提及特定帳號）收集推文。
  • Pagination and Rate Limits：實作輔助函式以處理 tweepy.RateLimitError，確保在取得大量推文時資料收集的穩定性。

使用 Inference API 進行情感分析

  • Model Selection：本指南建議使用 twitter-roberta-base-sentiment-latest，此模型在約 1.24 億則推文上訓練，並針對情感分析進行微調。Hugging Face 提供超過 400 個多語言情感分析模型。
  • Execution：透過使用模型 ID 與 Hugging Face API 令牌的簡單 API 呼叫即可取得預測。API 會回傳情感標籤與信心分數。

可視化與洞察

使用 Matplotlib、Pandas 與 WordCloud 等函式庫，可將結果視覺化以辨識趨勢。例如，對提及 Notion 的推文進行樣本分析，發現 50% 為正面、8.2% 為負面，且文字雲突顯了與每種極性相關的特定主題。

無程式碼實作（使用 Zapier）

對於非開發者，可使用 Zapier 自動化情感分析，將 Twitter、Hugging Face Inference API 與 Google Sheets 連接，無需撰寫完整應用程式。

自動化工作流程（「Zap」）

  1. Trigger：Twitter 中的「Search mention」事件會在提及特定詞彙（例如「NotionHQ」）時觸發工作流程。
  2. Analysis：Zapier 的「Code by Zapier」步驟執行 Python 腳本，呼叫 Hugging Face Inference API（使用特定模型 ID 與 API 令牌）以預測推文文字的情感。
  3. Storage：結果（包括推文文字、情感標籤、信心分數與日期）會自動寫入 Google Sheet 的新列。

Twitter 情感分析的關鍵使用情境

  • Analyzing User Feedback：Twitter 提供對新功能或定價的原始、未過濾回饋，讓企業了解使用者對其產品的喜好與不滿。
  • Monitoring Brand Mentions：即時監控可讓企業即時收到負面情感的突增警示，這通常代表伺服器故障或客戶支援不佳，需要立即處理。

Sources