想知道你在网上的发言，被怎么分析么？
开局一张图
对数据应用感兴趣的朋友们好～古牧君这次跟大家分享一下，我们日常在网上的留言评论，都会被怎么分析利用，能产生哪些价值。这也正好对应了数据产品的一个子类——舆情数据产品
首先统一一下定义，我们在网上的各种留言评论包括弹幕，统统都可以归为舆情数据的范畴，只不过在不同人眼中，有不同的应用价值
舆情数据的应用可以粗略分为面子和里子：
面子，主要是政府和企业，想及时知道大家的看法，尤其是有没有骂的；以及如果有突发性事件，需要尽快的知道，最好能在初始阶段就控制好源头，不要让事情闹大了
里子，主要是企业，想知道消费者对他的品牌或者产品有什么看法，好的坏的都可以，而且越具体越好。比如一款新车上市了，车企自我感觉良好，但消费者到底买不买帐？如果不买帐的话，到底是觉得哪儿有问题，告诉我们，我们好去改
这种事情在前互联网时代是怎么搞定的呢？主要靠调研咨询公司了。他们会拟定科学详尽的问卷调研方案，然后通过电话或者直接出街拉人头问问题，了解广大用户的心声
这种做法，肉眼可见的问题就是人工成本高，需要铺不少人力去打电话或者访谈；同时，周期也比较长，一般都是以月为单位计数；再有，就是操作空间比较大，毕竟中间隔着好几个人工环节，你懂的......
来到互联网时代，我们有专门针对舆情的数据产品来解决。一共5步，就可以产品化自动化的给出答案。这其中政府的事儿不好说，所以就只重点介绍下企业是怎么利用舆情数据，了解消费者对自家品牌or产品的看法
第一步就是构建一个图谱，叫行业知识库也行。这个图谱其实并没有很高级，一个初级的行业图谱，一个Excel文档可以搞定了。它的作用很简单，就是把那些非结构化的舆情数据，通过关键词映射到标签，转化为结构化的、可以被统计分析的数据
一般一个行业图谱，都会有品牌、产品、细分市场和关注点这4类
品牌顾名思义，就是一个行业里大部分品牌的叫法，这些关键词同时还能帮你框定一个行业的基本数据范围
细分市场你可以理解为是跟品牌进行交叉组合的一个维度or标签，比如汽车行业里，车型、产地、能源类型等都可以作为细分市场，它往往是每个行业独有的一种划分方式。比如宝马跟车型进行交叉组合，就可以有宝马的suv、宝马的轿车等不同的细分领域了
产品是比品牌更小的一个粒度，比如宝马x5、奥迪a6，它的粒度已经细化到没法再跟细分市场进行交叉组合了
最后是关注点，就是一般消费者会从哪些角度来评价一个品牌or产品。它可以有层级关系，比如汽车的外观，可以进一步下钻到具体的颜色啊、大灯啊、前脸啊什么的
具象一些，就是上面这个Excel截图示例了。最关键的就是第一列的关键词，品牌、产品、细分市场和关注点这4大类标签都是通过这些关键词进行匹配的。比如一句话是“奥迪a1在国内价格进一步走低”，那么它就会被打上品牌=奥迪、产品=奥迪a1、关注点=价格、车型=小型车、能源类型=传统能源、厂商属性=进口等一系列标签。可以发现，这里面有些标签映射关系是显性的，比如产品和关注点，字面上提到了哪些词，就会被打上对应的标签；而另外一些标签是隐性的，依靠的就是行业图谱，而这个行业图谱的结构基本都是依赖业务专家人工搭建，但关键词那列会需要很多技术支持。比如同样一个商品，官方有一种叫法，但消费者往往会赋予不同的昵称，如果漏掉后者，就会遗漏很多舆情数据
有了一个框架，我们就可以满世界的去爬数据了。正如上文演示，我们通过关键词去匹配数据，但也需要先把控一下数据的来源。一般情况，企业都会比较重视两微一抖，也就是微信、微博和抖音。微信指的是公众号，这是一个很大的舆情数据来源；微博虽然大家日常很少发言了，但对于品牌宣传来讲，仍然是一个兵家必争之地；抖音是新晋的广告品宣投放重地，自然也不能放过。除此之外，一些行业垂直性的论坛贴吧，也经常有高质量、大密度的讨论，自然也要搜罗进来
这些数据怎么来？对一些小厂商来说，只能靠爬虫了，而且还经常会被数据的拥有方通过各种反爬虫手段屏蔽。所以这是个体力活，而且爬下来的数据量级很大，比如微博、公众号、贴吧，很难做到全量的爬取，这就又要考验存储实力。所以你看，自己拥有这些数据，是多么省时省力
而且爬的时候也要挑，也有一定策略。比如微信公众号吧，这里面有大量的自媒体，文章的标题正文本身，就代表着作者的观点，能量不小。比如前两年的《腾讯没有梦想》，着实让腾讯的公关在梦里都得好好想想。同时，公众号下面的精选评论，也都是网民的态度。那么问题就来了，有些文章，人家标题就不会有汽车啊、奥迪啊这些词，但正文里满满的都是对品牌的品头论足，这种文章你爬不爬？还有些文章，标题党，蹭热门，但正文满不是那么回事儿，这种文章你爬不爬？还有些文章，本来是说奔驰的，结果评论翻车跑偏了，大家都聊奥迪去了，作为奥迪的厂商爸爸，这些评论你要不要？
诶......想想就头大是不是？
然而更头大的还在后面，数据清洗。行业图谱阶段，我们通过关键词，尽量多的囊括一个行业的舆情数据，但里面有很多噪音杂质，比如上面提到的标题党啊、还有各种广告水军，不把它们给清理干净，你就很难听到消费者真正的声音
像标题党，我们可以通过正文去辅助判断。交给机器学习就好了，只要文章字数够多，判断它是否这个行业的准确性就能足够高；但一些评论数据就会犯难了，因为它字数少，信息量小，这就需要用到上下文关系去判断了。一提到上下文语义识别，就很难了，机器目前真心没法像人一样读懂很多句子的潜台词以及上下的关联。这种例子不仅标题党，一词多义也是。比如红牛，它既是饮料、又是个F1车队、还是个球队的名称，这个词要是出现在一大段文字中还好办，也是就来一句“红牛不错”，你说你咋整？
好在，技术在不断的进步，而且大数据时代嘛，大家都追求用足够多的“好数据”淹没稀释那些“脏数据”，不影响大面儿上的结论就还好......
进一步，非常需要用情感模型来识别消费者的评价是好是坏。而且我们的目标更高阶一些，不仅仅要识别出消费者对品牌or产品的看法，还要具体到对品牌or产品的某个关注点的看法，这对情感模型也是一件颇有难度的事儿
比如“奔驰的外观比较大气稳重，要是价格也能像外观一样就好了”，这句话里既有品牌词（奔驰）、也有关注点词（外观、价格）、还有表达情感正负向的词（大气稳重）。我们人类是比较好识别出来，这句话是夸奔驰的外观，但对它的定价略有微词
可对机器就比较犯难了，首先机器需要能识别出，“大气稳重”这个褒义词跟“外观”是一对儿，而不是修饰“价格”的；其次，机器还需要能理解“要是xxx也能像xxx一样就好了”这种句式，稍有不慎就会把“价格”跟“好”凑成一对，那不就满拧了么？～
最后我们来到了数据呈现阶段，很多数据产品往往就砸在这儿。一开始就说了，厂商需要的就是清晰的告诉他们，消费者对品牌or产品的具体评价，那我们就按照品牌or产品来组织数据，并且将情感正负向与关注点交叉，让评价能够更具体
进一步，当点击上图中的任何一个色块时，都可以弹出对应这个关注点的情感倾向的具体言论，让厂商爸爸们不仅知其然、还能知其所以然
除了条形占比图的呈现以外，厂商爸爸们还很喜欢上面这种散点图，它是由对应分析方法画出来的。这个图其实就是把二维列联表格式的数据进行可视化处理，原始数据其实就是这么一个Excel表格
表格中的数字，表示同时提到某个品牌和某个关注点的数据量。比如大家在讨论宝马的时候，经常会提及操控性和动力；在提及奔驰的时候常常把舒适性和外观挂在嘴边。反应在图形上，就是宝马距离操控性和动力两个点会更近一些，奔驰距离舒适性和外观两个点会更近一些
但这种图也有它的问题，就是直观有余但量化不足。不过客户往往就喜欢这种直观可解释性强的东西，你要是真给他整一个深度神经网络，还真不见得他会买单
当然，上述的5个步骤都还有较大的提升空间，比如会在网上发表评论的用户，是不是本身就比较有偏？他们的声音能否真正的代表广大消费者的看法？以及，目前的机器学习对评论数据理解的准确性能否更进一步，像个人一样去理解句子？
最后再叨叨一句舆情数据产品这个行业：其实上面的分析讲解已经可以看到，这是一个相对重资产、体力活、且游走在灰色边缘的事儿，很大互联网大厂看不上这块小肉，这反倒给了很多第三方小公司一些生存空间。不过他们有没有不同的行业专家帮忙搭建各个行业的图谱？能不能顺利爬到足够覆盖率的舆情数据？爬回来之后调用那些开源的NLP能力接口能否分析的精准？最后的产品化打磨能否到位？这些点，都会影响最终的商业售卖
OK，关于数据的应用场景，我们暂时告一段落，下次咱们说回数据分析和策略本身。回见了您内
干货还没看过瘾？戳传送门：
腾讯云开发者
