2016年文本、語義、社交分析十大趨勢

大數(shù)據(jù)時代，文本、語義和社交分析就像企業(yè)的“天眼”，可以聆聽到來自用戶、患者和市場的聲音。目前文本、語義和社交分析技術(shù)已經(jīng)包括金融、醫(yī)療、傳媒、電商在內(nèi)的在多個行業(yè)得到廣泛應(yīng)用，企業(yè)從海量的互聯(lián)網(wǎng)和企業(yè)內(nèi)部數(shù)據(jù)，包括文本、視頻等結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中提取那些能提高決策質(zhì)量的有用信息和情報。

但是，文本、語義和社交分析技術(shù)依然處于成長期，在一些領(lǐng)域，例如數(shù)據(jù)分析和市場研究方面的應(yīng)用還只是剛剛起步，而在相對成熟的領(lǐng)域，例如用戶體驗、社交聆聽和用戶互動方面，還有很大的提升空間。

總之，文本、語義和社交分析技術(shù)依然有很大的創(chuàng)新和成長空間，對于新進入者和現(xiàn)有的玩家來說都是如此，以下是Alta Plana公司戰(zhàn)略顧問Seth Grimes對2016年這個市場發(fā)展趨勢的預(yù)測：

一、多語言是王道

目前文本語義分析還是以英語為為主，但是機器學(xué)習(xí)和機器翻譯技術(shù)的成長可以幫我們擴展到多語言分析，并使之成為常態(tài)。如果你需要跨語言分析，那么選擇供應(yīng)商的時候可要小心了，因為很多供應(yīng)商的核心語言分析能力很強，但是其他語言就不敢恭維了。

二、文本分析獲得重視

文本分析是客戶體驗、市場研究、用戶調(diào)查以及數(shù)據(jù)分析和媒體測量的關(guān)鍵解決方案，這個領(lǐng)域的供應(yīng)商競爭很激烈，總的趨勢是“量化定性”，而且會有越來越多的針對企業(yè)的解決方案出現(xiàn)。

三、機器學(xué)習(xí)、統(tǒng)計與語言工程并存

未來屬于深度學(xué)習(xí)，也就是遞歸神經(jīng)網(wǎng)絡(luò)之類的技術(shù)，但就今天而言，歷史悠久的語言工程方法(例如語法分析、詞條語義網(wǎng)絡(luò)、句法規(guī)則系統(tǒng)等)依然會是主流方案。

當前是傳統(tǒng)與創(chuàng)新并存，百花齊放的階段，例如眾包標準的開創(chuàng)者CrowdFlower擁抱了機器學(xué)習(xí)，而創(chuàng)業(yè)公司Idibon則以將傳統(tǒng)和創(chuàng)新結(jié)合為賣點。

四、圖像識別進入主流

領(lǐng)先的圖像識別技術(shù)廠商，例如Pulsar、Crimson和Hexagon已經(jīng)可以從社交媒體圖片中辨識品牌信息，而IBM 2015年收購的AlchemyAPI，主打的也是深度學(xué)習(xí)概念。創(chuàng)業(yè)公司MetaMind也意識到了圖像識別的巨大商業(yè)價值，在2015年從自然語言處理轉(zhuǎn)型到圖像識別技術(shù)。

五、語音分析將爆發(fā)，視頻分析緊隨其后

首席營銷官們熱衷于討論多渠道分析，最常掛在嘴邊的詞是“用戶畫像”。如今社交媒體渠道中的語音和視頻數(shù)據(jù)越來越多，這些非文本數(shù)據(jù)有著不同的分析元素，例如語調(diào)、語速、聲高等都有其含義。2016年不僅僅是客服中心，更多的營銷人士、出版商和市場研究分析人士都將開始擁抱語音分析技術(shù)，語音分析還是打造準確性極高的對話界面的關(guān)鍵技術(shù)。

六、情感分析的擴張

廣告主們深知情緒對消費者的購買決策起著至關(guān)重要的作用，但是，長久以來廣泛系統(tǒng)的情感研究難以開展。隨著情感分析技術(shù)的成熟，這一局面有望改變。創(chuàng)業(yè)公司們開發(fā)的情感分析技術(shù)能夠從圖像、視頻、文本和語音中分析面部表情或用戶情緒反應(yīng)。這方面的創(chuàng)業(yè)公司包括Affectiva、Emotient，視頻分析方面有Realeyes，語音方面有Beyond Verbal、文本方面有Kanjoya，情感分析技術(shù)開展最快的領(lǐng)域包括廣告、媒體等行業(yè)。

七、ISO表情符號分析

2015年社交媒體領(lǐng)域最熱門的莫過于表情符號，相比圖片、文字和視頻，表情符號更簡潔、更易用，也更有趣。除了卡戴珊的身體部件表情符號之外，F(xiàn)acebook已經(jīng)開始表情符號的實驗項目Reations，隨著表情符號的流行，相關(guān)的分析技術(shù)創(chuàng)業(yè)公司也開始浮現(xiàn)，代表性的如Emogi。(參考Emogi發(fā)布的：2015年表情符號報告)目前大多數(shù)研究者對表情符號的研究還停留在統(tǒng)計和歸類，但是Instagram工程師Thomas Dimson、CLARIN.SI以及SwiftKey的研究值得一看。

八、網(wǎng)絡(luò)與內(nèi)容結(jié)合的圖譜分析(Graph Analytics)

網(wǎng)絡(luò)關(guān)系是對話的基礎(chǔ)結(jié)構(gòu)，而內(nèi)容挖掘則獲取有效信息，只有把內(nèi)容分析和網(wǎng)絡(luò)關(guān)系節(jié)點的分析結(jié)合起來，才能挖掘出深度的情報。因此對于分析者來說，2016年需要在工具箱中增加圖譜數(shù)據(jù)庫(Graph Database)和網(wǎng)絡(luò)可視化工具。這也是為什么Neo4j、js和Gephi這幾個開源項目大受歡迎的原因。

九、機器撰寫內(nèi)容將越來越多

機器撰寫內(nèi)容的技術(shù)被稱之為自然語言生成(NLG)，可以讓計算機撰寫短信、郵件、翻譯，甚至撰寫長篇文章。NLG特別適用于海量且重復(fù)性高的內(nèi)容，例如金融、體育、天氣預(yù)報等。目前的代表性供應(yīng)商有：Arria, Narrative Science, Automated Insights, Data2Content, 和 Yseop。其實我們?nèi)粘Ｒ呀?jīng)開始大量接觸人機對話，例如蘋果的Siri、微軟的Cortana小冰，亞馬遜的Alexa和谷歌的Google Now(這個除外)，這些都屬于人工智能和自然語言界面(NLI)的范疇，Artifical Solutions的方案值得一看。

十、機器翻譯更加成熟

人們都想擁有類似星際迷航中的宇宙萬能翻譯器，但遺憾的是，雖然早在上個世紀五十年代研究者就宣稱機器翻譯將在三五年內(nèi)達成，但是半個多世紀過去了，機器翻譯依然不太靠譜。ACM Queue的文章，”站在人工智能和人機界面十字路口的機器翻譯”一文，有助于我們了解機器翻譯的現(xiàn)狀。得益于大數(shù)據(jù)和機器學(xué)習(xí)技術(shù)的突飛猛進，未來一兩年機器翻譯將能夠勝任大多數(shù)場合和任務(wù)的需求。