感情分析 (sentiment analysis) は、テキストに含まれる感情や意見の極性 (ポジティブ・ネガティブ・ニュートラル) を自動判定する自然言語処理技術です。オピニオンマイニングとも呼ばれ、大量のテキストデータから人々の意見や感情の傾向を定量的に把握するために使われます。EC サイトの商品レビュー、SNS の投稿、カスタマーサポートの問い合わせなど、テキストデータが爆発的に増加する現代において、その重要性は年々高まっています。

手法はルールベースと機械学習ベースに大別されます。ルールベースは感情辞書 (ポジティブ語・ネガティブ語のリスト) を使用し、テキスト内の感情語の出現頻度からスコアを算出します。実装が比較的容易で解釈性が高い反面、皮肉や文脈依存の表現に弱いという欠点があります。機械学習ベースは BERT や GPT などの深層学習モデルを使用し、文脈を考慮した高精度な判定が可能です。近年は LLM を活用したゼロショット感情分析も注目されています。感情分析と機械学習の書籍で手法の詳細を学べます。

ビジネスでの活用場面は多岐にわたります。SNS の投稿分析ではブランドに対する世論の変化をリアルタイムで追跡し、炎上の早期検知に役立てます。商品レビューの評価集計では、星評価だけでは分からない具体的な不満点や評価ポイントを抽出できます。カスタマーサポートでは、問い合わせの感情スコアに基づいて対応の優先度を自動判定し、怒りの強い顧客を優先的に対応する仕組みが導入されています。

感情分析の精度は言語によって大きく異なります。英語は研究が進んでおり高精度なモデルが多数存在しますが、日本語は主語の省略、婉曲表現、皮肉の検出が難しく、精度の確保が課題です。たとえば「まあまあですね」は文脈によってポジティブにもネガティブにもなり得ます。中国語も同様に、文脈依存の表現が多く、方言や口語表現への対応が求められます。

感情分析と類似する技術にアスペクトベース感情分析 (ABSA) があります。通常の感情分析がテキスト全体の極性を判定するのに対し、ABSA は「バッテリーは良いが画面は悪い」のように、特定の側面 (アスペクト) ごとの感情を個別に判定します。商品改善のフィードバック分析では、ABSA の方がより実用的な知見を提供します。

文字数カウントとの関連では、感情分析の精度はテキストの長さに影響されます。短いテキスト (ツイートの 140 文字など) では文脈情報が少なく判定が難しくなる一方、長文レビューでは複数の感情が混在するため、文単位での分析が必要になります。テキストの文字数を把握することは、適切な分析手法を選択する上での前提条件となります。テキスト分析実践の書籍で日本語特有の課題と対策を習得できます。