https://www.elinext.de/fallstudien/anwendung-fur-die-sentiment-stimmanalyse/
0
Anwendungsfallstudie zur Stimmungsanalyse - Elinext
Anwendung für die Sentiment-Stimmanalyse

Anwendung für die Sentiment-Stimmanalyse

Information
Standort:
Großbritannien
Branche:
Medien und Unterhaltung
Plattform:
Web
Arbeitsmodell:
Festpreis
Projektdauer:
1 Monat
Team-Mitglieder:
3
ID:
395
Verwendete Technologien
Java
RxJava
Retrofit
Gson
Flask
Keras
Python
Pydub
Android SDK
Tensorflow
LibROSA
Mobile
CREMA-D
MLP
CNN

Hintergrund des Projektes

Elinext wurde von einem großen Callcenter kontaktiert und gebeten, eine Emotionserkennungssoftware zu entwickeln, die Emotionen in Sprache erkennen kann. Der Kunde wollte eine Anwendung, die:

  • es Call-Center-Betreibern ermöglichen würde, die Emotionen von Anrufern automatisch zu erkennen und dann entsprechend zu handeln. Zum Beispiel, um Anrufe verärgerter Kunden an ihre erfahreneren Kollegen weiterzuleiten.
  • es ermöglichen würde, die Gefühle von Glück, Traurigkeit und Zufriedenheit der Kunden zu erkennen.
  • es dem Management ermöglichen zu wissen, wann es Zeit ist, einen müden Bediener zu ersetzen, indem es seine Emotionen erkennt und bewertet.

Herausforderung

Elinext-Teams standen vor der herausfordernden Aufgabe, eine Anwendung mit Sprachanalyse zu entwickeln, die einem Callcenter die Möglichkeit bietet, den Arbeitsprozess auf die effizienteste Weise zu organisieren, indem es versteht, was seine Kunden und Mitarbeiter wirklich fühlen und denken.

Projektbeschreibung

Der Entwicklungsprozess war um die Erstellung und das Training neuronaler Netze herum organisiert. Zu den wichtigsten Schritten, die unsere Teams zum Erstellen der Lösung unternommen haben, gehörten:

  • Daten vorbereiten
  • Extraktion von Klangmerkmalen
  • Erstellung von neuronalen Netzen
  • Entwicklungsprozess
  • Jeder der oben erwähnten Schritte wird weiter unten beschrieben.

Daten vorbereiten

Um Daten für das Training und Testen von Modellen vorzubereiten, nutzten unsere Entwickler das Crowd-Sourced Emotional Multimodal Actors Dataset (CREMA-D) für das Datentraining sowie Aufzeichnungen des Callcenters zum Testen.

Extraktion von Klangmerkmalen

Mit dem LebROSA-Paket erhielt unser Team einen 192-dimensionalen Merkmalsvektor für jede Audiodatei.

Erstellung eines neuronalen Netzwerks

Basierend auf Keras und Tensorflow haben unsere Teams neurale Netzwerkmodelle von Grund auf neu erstellt und ihre Schichten während des Entwicklungsprozesses hinzugefügt und erweitert. Wir haben verschiedene Modelle getestet, darunter Multiplayer Perceptron (MLP) und Convolutional Neural Network (CNN).

Außerdem haben unsere Entwickler verschiedene Architekturen für Modelle getestet, manchmal ausgehend von denen, die in Forschungsarbeiten ähnlicher Projekte verwendet wurden. Alles in allem basierte jede Modellauswahl auf der Genauigkeit der Klassifizierung in der Validierungsstichprobe.

Als Ergebnis entschied sich unser Entwickler für die Verwendung der CNN-Architektur.

Ergebnisse

Das Elinext-Team hat erfolgreich eine Android-Anwendung entwickelt, die Emotionen in Sprache erkennt und es Call-Center-Mitarbeitern und ihren Managern ermöglicht, Einblicke in das zu erhalten, was Menschen wirklich fühlen.

Die gleichen Systeme könnten von Unternehmen genutzt werden, die Sicherheitsdienste, Unterstützungsdienste und Rettungsdienste anbieten.

sentiment-analysis-app-3
sentiment-analysis-app-2-2
Haben Sie vor, ein gleiches Projekt zu schaffen?
Haben Sie eine Projektidee? Lassen Sie uns darüber diskutieren
Kontakt


    Insert math as
    Block
    Inline
    Additional settings
    Formula color
    Text color
    #333333
    Type math using LaTeX
    Preview
    \({}\)
    Nothing to preview
    Insert