Analyse modules nemen tekst uit de databronnen als input, analyseren deze data en schrijven de analyseresultaten weg naar een database. De modules voeren specifieke Natural Language Processing taken uit zoals: classificeren, thema detectie, sentiment analyse, named entity recognizion, samenvatten, etc.
Doelstelling is om inzichten uit grote hoeveelheden tekst te halen zonder dat je alle teksten hoeft te lezen.
In sommige specifieke gevallen levert een rule-based benadering de beste resultaten maar in de meeste gevallen worden deze behaald met Machine Learning algoritmes.
Exocortex heeft voor deze NLP-taken kant-en-klare machine learning modules ontwikkeld (blokken) die snel in het model geïntegreerd kunnen worden. De blokken zijn verder te finetunen en te trainen op de data van organisaties.
Classificatie: Deze module classificeert teksten in verschillende categorieën. Bijvoorbeeld het classificeren van nieuwsartikelen naar: sport, economie, cultuur, medisch, etc. De categorieën kunnen zelf worden bepaald en zullen voor iedere organisatie verschillen.
Thema identificatie: Het Machine Learning model deelt teksten in naar clusters met min of meer gelijksoortige teksten. Sleutelwoorden geven een indicatie wat de thema’s van de verschillende clusters zijn. . Indien veel sleutelwoorden in een cluster bijvoorbeeld over klimaat gaan, label je dat cluster ‘Klimaat’.
Sentiment analyse: Met sentiment analyse bepalen we wat het sentiment over onderwerpen, personen, organisaties is.
Named Entity Recognization: Named entities zijn in nederlands vaak eigennamen, stukjes tekst die een specifiek object duiden als: personen, organisaties, datums, evenementen, locaties, etc. In combinatie met de andere modules geeft named entity veel inzicht. Bijvoorbeeld welke personen worden vaak in teksten van een bepaald thema genoemd en is dit in positieve of negatieve zin.
