B1 · 第34集 · 4:33
数据科学家朱利安（三）：NLP与用户行为分析
以情感分析为例说明如何用基础自然语言处理技术分析用户评论，发现隐藏行为模式并细分用户群体。
来源：Qu'est-ce que Tu GEEKes ? · 许可：CC BY-SA 4.0
字幕
L'aspect data analyst va rester là, parce que ça reste une partie importante de mon
数据分析师这一块会保留下来，因为这仍然是我
poste, mais mon but est aussi d'ajouter une notion de valeur avec des outils en
职位，但我的目标也是通过额外的工具，
plus, des visions en plus sur la donnée.
以及对数据的更多视角。
Par exemple, si tu t'intéresses aux commentaires de tes utilisateurs.
例如，如果你关注用户的评论。
C'est ce genre de choses qui m'intéresse en ce moment, donc c'est du NLP assez
目前我感兴趣的就是这类事情，因此属于相当基础的
basique. Donc comme je vous disais, c'est l'analyse du langage avec le machine
自然语言处理。所以正如我之前说的，这是结合机器学习的
learning. Donc par exemple, on a ce qu'on appelle l'analyse de sentiment.
语言分析。例如，我们有所谓的情感分析。
Ça va être par exemple quand quelqu'un met un commentaire sur un produit,
比如当有人在某个产品下发表评论时，
avoir un algo qui est capable de dire ce commentaire, il est négatif,
有一个算法能够判断这条评论是负面的，
il est positif, ou c'est juste une blague, ou c'est un troll,
是正面的，还是仅仅一句玩笑，又或是恶意灌水，
juste en analysant les mots utilisés dans le texte, en fait.
实际上仅通过分析文本中使用的词语即可。
Parfois, on va avoir des comportements qui vont surgir qu'on n'aurait pas vu avec
有时，我们会发现一些仅靠人工查看数据无法察觉的行为模式，
simplement l'humain en regardant les trucs, qu'on va prendre des gros tas de
而是通过处理大量数据后才发现的，比如我们说好，实际上我们刚刚意识到，
données, dire ok, en fait, on vient de se rendre compte que là,
数据，说好吧，实际上我们刚刚意识到，
on a des utilisateurs qui veulent tel type de contenu spécifique.
有用户想要某种特定类型的内容。
Là, on a des utilisateurs qui sont jamais contents.
那里，有些用户永远都不满意。
Là, on a, vous voyez ce que je veux dire, on peut arriver à partir de ça à créer des
那里，我们有，您明白我的意思，我们可以从这出发来创建
groupes d'utilisateurs et à mieux comprendre en fait avec qui on travaille,
用户群组，并且实际上更好地理解我们与谁合作，
en fait, qui sont nos clients et qu'est- ce qu'ils veulent, qu'est- ce qu'ils
实际上，谁是我们的客户，他们想要什么，他们
cherchent. Ça peut permettre de dire ok, voilà, je m'en rends compte que le client
在寻找什么。这能让我们意识到，好吧，我意识到那个访问网站的客户
qui va sur le site, il cherche, il
访问网站时，他在寻找，他
y a un énorme tas de gens qui cherchent ça.
有大量的人在寻找这个。
Ils arrivent chez nous, ils cherchent ça, ils ne le trouvent pas.
他们来到我们这里，寻找这个，却找不到。
Alors du coup ça pose des questions.
因此这就引发了一些问题。
Pourquoi ils arrivent chez nous?
为什么他们来到我们这里？
Pourquoi ils arrivent chez nous?
为什么他们来到我们这里？
Et si ils sont arrivés chez nous pour trouver ce truc- là, pourquoi ils le trouvent
如果他们来到我们这里是为了找到那个东西，为什么他们找不到？
pas? Donc est- ce qu'il faut mieux les guider?
所以我们是否需要更好地引导他们？
Est- ce qu'il faut leur donner ce qu'ils veulent?
我们是否应该给他们想要的东西？
Est- ce que ou est- ce qu'il y a un problème dans comment ils ont exprimé ce qu'ils
还是说他们在表达自己需求的方式上存在问题？
cherchaient? D'accord.
在寻找？好的。
Tu as évoqué deux termes, machine learning et deep learning.
你提到了两个术语：机器学习和深度学习。
Tu pourrais les définir un petit peu, sans rentrer forcément trop dans les détails?
你能稍微定义一下它们吗？不必过于深入细节？
Alors on va en effet rester assez sur la surface, parce que ça peut vite devenir un
那么我们确实会保持在比较浅的层面，因为这很容易变成一个
trou sans fond, mais en gros dans le machine learning, tu as quand même quelque
无底洞，但大致来说，在机器学习中，你仍然能稍微
chose d'un peu plus sous contrôle, c'est- à- dire que le machine learning,
更可控一些，也就是说，机器学习
tu vas un peu expliquer ce que tu attends de lui à ton algo.
你会向你的算法稍微说明你对它的期望。
Le deep learning, là tu arrives sur des réseaux de neurones,
而深度学习，你就进入了神经网络领域，
c'est- à- dire qu'en gros tu vas avoir
也就是说，你将面对
une série de choix qui vont être faits,
一系列将被做出的选择，
jusqu'à arriver avec un résultat qui te sera donné à la fin.
最终得到一个最终呈现给你的结果。
J'ai un peu la sensation que j'ai dit des bêtises, ou en tout cas que j'ai été très
我有点感觉我说了傻话，或者至少说得非常不准确。
imprécis. Donc la réponse à ça, c'est que dans le machine learning,
因此，对此的回答是，在机器学习中，
on sélectionne des variables importantes pour la prédiction.
我们会选择对预测重要的变量。
Le choix, ça provient d'un être humain, et le travail de prétraitement,
这种选择来自人类，而预处理工作，
eh bien il est très présent, et c'est une des principales activités,
嗯，它非常普遍，而且是主要活动之一，
même j'ai envie de dire pratiquement, du data scientist à ce moment- là.
甚至我想说，实际上，就是当时数据科学家的主要工作。
Dans le cas des algos de deep learning, on va s'affranchir en partie de ce
对于深度学习算法而言，我们将部分摆脱这种
prétraitement, car c'est eux qui vont choisir, alors je dis choisir avec des
预处理，因为它们将自行选择——我加引号说‘选择’，是因为
guillemets, parce que.
因为。
Voilà, c'est pas un cerveau, c'est pas un être humain, mais qui vont choisir quelles
瞧，它不是大脑，也不是人类，但会自行选择
sont les variables pertinentes pour faire les prédictions.
哪些变量对预测而言是相关的。
Ça, ça permet de travailler avec des données qui sont très différentes,
这一点使得我们可以处理差异极大的数据，
comme par exemple les images ou le texte.
例如图像或文本。
Par contre, ça vient avec un coût, c'est que ces algo, ils sont beaucoup plus
然而，这会带来代价：这些算法更为复杂，需要更多数据以及远超以往的
profonds, ils demandent beaucoup plus de données et bien plus de puissance de
深层，需要更多数据以及更强大的
calcul. Par exemple, un problème fondamental, je vais un petit peu essayer de vous
比如一个根本性问题——我稍后会试着让您感受一下——就是过拟合。
faire sentir la chose, c'est le surapprentissage.
让您感受一下这个问题，就是过拟合。
Dans le surapprentissage,
在过拟合中，
c'est quand on manque de données, on prend le risque de faire un modèle qui donne de
当数据不足时，我们就有风险构建出一个在训练集上表现良好但泛化能力差的模型，
très bons résultats, mais seulement pour l'échantillon spécifique qu'on a utilisé.
结果非常好，但仅限于我们所使用的特定样本。
C'est- à- dire qu'il ne sera pas généralisable et que si on tente d'appliquer ce
也就是说，它无法推广，而且如果尝试将该
même modèle à des données réelles du vrai monde, ça va donner des résultats
相同模型应用于真实世界的真实数据，结果将
complètement faux.
完全错误。
En deep learning, ce problème, eh bien, il va surgir beaucoup plus tôt parce qu'on a
在深度学习中，这个问题会更早出现，因为我们
besoin de beaucoup plus de données pour éviter ça.
需要更多数据来避免这种情况。
Par contre, en contrepartie, on s'attaque à des problèmes qui sont beaucoup plus
但另一方面，我们应对的问题要复杂得多，而且
complexes et des choses qui ne sont pas faisables avec du machine learning typique.
这些是典型机器学习无法完成的。
Il faut bien sûr, alors je rappelle quand même une chose, c'est que le deep
当然，我再强调一点：深度学习
learning, c'est un cas spécifique de machine learning.
是机器学习的一个特定案例。
Donc c'est un sous- groupe, donc il faut aussi garder ça en tête.
因此它是一个子集，这一点也必须牢记。
Mais donc le deep learning permet d'aller plus loin, permet de travailler sur des
因此，深度学习能够走得更远，能够处理不同类型的
données différentes.
数据。
Le coût par contre qui va avec, c'est qu'il faut être capable d'avoir beaucoup plus
但随之而来的成本是，我们需要拥有更多数据和更强的
de données et beaucoup plus de puissance de calcul.
更多的数据和更强的计算能力。
Très bien, je reviens un peu du coup sur ton métier, est- ce que tu peux nous dire.
很好，那我再稍微回到你的职业上，你能告诉我们。
Aujourd'hui, dans le métier que tu exerces, quelle est la partie qui te plaît le
如今，在你从事的职业中，哪一部分最让你喜欢？
plus? Alors déjà, il y a un truc global, alors ça c'est peut- être pas que mon
首先，有一个整体性的点——这或许不单属于我的
métier, mais que j'aime bien, c'est le côté d'apprendre des nouvelles choses.
职业，但我挺喜欢的，就是学习新事物这一方面。
Alors ça c'est le côté docteur qui est encore là, mais ce que j'aime bien,
这方面医生的特质还保留着，但我喜欢的是，
c'est qu'en data science, tu dois quand même beaucoup te mettre à niveau,
在数据科学领域，你确实需要不断自我提升，
parce que c'est un domaine qui est très très très sur la pointe,
因为这是一个非常非常前沿的领域，
tu es obligé de te tenir au courant de ce qui se passe.
你必须时刻关注最新动态。
Et notamment, voilà, me dire, ok, est- ce qu'il y a un algo pour
尤其是，比如，告诉自己：好吧，有没有一个算法可以
faire ça? Est- ce qu'il y a une librairie qui permet de le faire encore mieux?
实现这个？有没有一个库能更好地实现它？
Est- ce que ça, ça a bien implémenté?
这个实现得完善吗？
Est- ce que ça, ça s'applique vraiment mon problème?
这个真的适用于我的问题吗？
Si c'est pas le cas, est- ce que je mélange plusieurs algos différents pour les
如果不行，我是否要混合多个不同算法来
faire fonctionner?
让它们协同工作？
Donc toutes ces questions, et après apprendre plein d'algos comme ça,
所以所有这些问题，之后又学习大量这类算法，
il y a un côté de recherche derrière, toujours se demander comment on va résoudre le
背后总有一种研究的倾向，总是思考如何解决这个
problème. Ok.
问题。好的。