¿Y el sentimiento, qué papel juega en todo esto? Hasta ahora hemos hablado de identificación de patrones o temas asociados a cada industria. Realmente en el sentimiento ocurre algo similar pero más complejo, dado que el sentimiento depende de la jerarquización vertical y de la jerarquización horizontal. 

Vertical

El sentimiento puede cambiar en función de la industria. 

Veamos por ejemplo la palabra chorizo - "qué gran chorizo!”. 

Si hablamos de una marca como de alimentación es muy positivo; si estamos hablando del presidente del gobierno es marcadamente negativo.

Horizontal

El sentimiento puede depender también de la jerarquización horizontal según el rasgo transversal al que se asocie, según el patrón o tema contextualizado donde aplica. 

Veamos un ejemplo relacionado con el tiempo. 

  • “3 horas de concierto. Gracias Muse!” 
  • “3 horas al teléfono. Gracias Iberia!”

Dos comentarios prácticamente iguales, aparentemente ambos son positivos si no tenemos en cuenta el contexto y tema de forma horizontal (aplicado a todas las industrias). Sin embargo, estar 3 horas en un evento al que elijo ir, como un concierto, es positivo; mientras que si identificamos transversalmente que ‘al teléfono’ es un comentario referido a atención al cliente e Iberia es una empresa de servicios, estar 3 horas al teléfono es algo rotundamente negativo.

Este desenlace implica que sea fundamental conocer el sentido y contenido de un mensaje para poder contextualizarlo correctamente y que lo que un humano podría entender, se transfiera a un motor tecnológico como el de Séntisis a través de ‘Machine Learning’. 

Algunas tecnologías pueden trabajar con palabras positivas y negativas. ‘Gracias + compañía’ debería ser positivo en la mayoría de los casos, pero con Iberia estarían perdiéndose las ironías y dando un feedback erróneo. Con estructuras como ésta es como Séntisis trata la ironía, teniendo el contexto total de la conversación, no partiendo el mensaje en trozos. 

Otras tecnologías, algo más inteligentes, podrían entender a través de Machine Learning que la combinación ‘teléfono + compañía aérea’ tiene una probabilidad alta de ser negativa pero podrían perderse en ese contexto. ¿Qué ocurriría con “Gracias, iberia, ahora puedo usar mi teléfono con wifi en vuelo!”. Aquí la fórmula ‘Gracias + compañía aérea’ daría error como negativa. 

El contexto juega una parte clave y necesaria en el sentimiento, por ello tener en cuenta todo el contexto de la frase y no simplemente keywords o grupos de keywords a las que se les asocia el concepto positivo o negativo es un punto diferencial de Séntisis para llegar a precisiones más altas que el resto de su industria.

¿Encontró su respuesta?