情感分析是自然语言处理中的一种技术，也是文本挖掘中常用的一种方法。在产品中应用情绪分析技术并不罕见。例如，新浪的抒情大数据平台使用情绪分析来挖掘整个网络的数据。此外，在一些电子商务产品中，情绪分析还用于进行产品评审挖掘，作为推荐系统的一部分。本文主要讨论了基于情感分析技术应用的人工智能产品的设计。

一，人工智能产品设计与互联网产品设计的区别

人工智能产品被广泛定义，智能硬件，机器人，芯片，语音助手等可称为人工智能产品。本文讨论的人工智能产品主要是指人工智能技术在互联网产品中的应用。

1.从用户需求的角度来看

互联网产品主要解决和解决用户的痛点。对于C端产品来说，痛点是指个人想要解决而无法解决的问题，比如个人想要美化他的照片，但他没有复杂的PS软件，所以涂秀秀的美女可以解决这个问题。痛点。从KANO模型来看，它是为了满足用户的基本需求和预期需求。

人工智能产品（在互联网产品中使用人工智能技术）旨在满足用户的激动人心需求。如果将情绪分析应用于电子商务产品评论，则用户可以通过可视数据显示对产品进行全面且直观的理解，而不必逐个翻阅评论。

2.产品设计视角

互联网产品的主要焦点是用户需求，流程设计，交互设计，商业模式等。关注用户需求，设计满足用户需求的产品，通过合理的流程设计和交互设计实现产品目标，实现业务目标。典型的想法是发现用户需求——>设计满足用户需求的产品——>迭代改进，产品运营——>商业现金。

人工智能产品的重点在于模型的构建。它不再是布局和交互的改进。通过选择适当的数据来建立一个合适的模型，最后它是一个很好的结果。有什么好处？这需要引入评估指标。互联网评估指标有众所周知的保留率，转换率，日常活动等，然后人工智能产品主要用一些统计指标来描述，以情感分析为例，分析情绪分析作为分类问题，可以使用描述了P，R，A，F值。

精度：P值，它测量某个分类的正确比例。例如，在情绪分析中，10被分类为“前进”，其中8个被正确分类（通过人工审查）。 ，那么P=8/10=80％

回想：R值，也称为召回率，也称为召回度，是指某个类别被正确分类的比例。同样，对于情绪分析，100个数据中有10个是正数。机器分类后，10个中的7个被归类为正，然后R=7/10=70％。

F值，因为P值和R值通常是两个相互矛盾的指标，即一个较高而另一个较低，F是综合考虑的指标。调整P和R的权重时，F=2PR /（P + R）

准确性：对此的最佳理解是确切分类的比例，即正确率。例如，如果100个数据被正确分类，则A=90/100=90％。

上述指标越高，模型效果越好。

二，情感分析产品设计

从上面我们可以知道，人工智能产品设计的重点是：数据——> model——>效果评估。

现在我们以情感分析为例来说明产品设计的过程。

1）数据：

数据的选择直接影响最终模型的结果，并且根据目的，情绪分析选择不同的数据。例如，如果将情绪分析应用于电影票房预测，则一些及时且内容丰富的数据源（如微博）是更好的选择。如果将其应用于电子产品等商品的评估，则很难用几个词来清楚地描述许多评价内容。这时，微博不是一个好选择。选择要慢慢更新的论坛，但详细内容更合适。

如果您打算在产品的早期引入人工智能，您可以在产品中提前进行数据采集。

2）型号：

在选择模型中，产品需要了解不同模型的优缺点，然后选择更合适的模型。在情绪分析中，NB，SVM和N-gram是常见的模型，其中SVM效果最好（这是现有的结论）。如果是其他智能产品，可能需要算法团队进行实验并提供测试数据。然后选择合适的型号。

3）效果评估：

上面已经清楚地描述了效果评估，并且不再描述具体指标。

4）产品介绍：

最后一步是向用户显示结果。在情绪分析中，我们可以选择雷达图，词云和情绪趋势图来显示结果。根据产品属性，例如电子商务产品评论挖掘，您可以使用文字云;

例如，公众意见分析可以使用情绪趋势图。

三，总结

人工智能产品的设计应注意：数据，模型，判断和表现。