Сначала определите единицу наблюдения
Что считается упоминанием: сообщение, комментарий, автор или отдельное появление названия? Один длинный пост способен повторить обозначение компании десять раз. Если считать каждое вхождение, он будет выглядеть как десять независимых обсуждений. Поэтому правило подсчёта нужно выбрать до сравнения. Для небольшого проекта удобно считать уникальные сообщения за одинаковые временные интервалы. В рабочей таблице сохраняют площадку, идентификатор записи, время и обозначение обсуждаемой компании. Комбинация площадки и идентификатора помогает различать записи из разных источников. Учебный набор можно составить самостоятельно, не подключаясь к чужим аккаунтам и не собирая персональные данные.
Очистка меняет результат
При повторной загрузке одна запись может попасть в таблицу несколько раз. Такие технические дубли следует отделять от разных людей, которые написали похожие фразы. Совпадение текста ещё не доказывает, что перед нами одна запись, бот или согласованная кампания. Предположим, компания А встречается в двенадцати строках, но восемь строк являются повторными копиями уже учтённых сообщений. После удаления технических дублей остаются четыре записи. У компании Б восемь строк соответствуют восьми разным сообщениям. Лидер исходного списка меняется. В Python последовательность действий проста: проверить идентификаторы, оставить по одной записи для каждого ключа, затем сгруппировать записи по компании и посчитать их.
Языковая модель помогает разметке, но требует проверки
Одинаковое название может относиться к компании, обычному слову или другому объекту. Обсуждение падения цены тоже увеличивает число упоминаний, хотя не выражает положительного отношения. Для разметки полезно заранее определить категории: новость, вопрос, оценочное мнение и неясный случай. ChatGPT можно поручить черновую классификацию вымышленных коротких сообщений по этим категориям. Результат необходимо сверить с текстом: модель способна ошибаться, пропускать иронию и приписывать отсутствующие причины. Подсчёты лучше получать из проверенной таблицы, а не из убедительного пересказа. Сохраняйте отдельно исходное сообщение и присвоенную метку, чтобы спорное решение можно было пересмотреть.
Популярность описывает выбранную выборку
Рост с двух до шести сообщений выглядит значительным, но это по-прежнему маленькая группа наблюдений. Важны общий объём выгрузки, одинаковые интервалы и правила отбора. Если вчера получены сто сообщений, а сегодня тысяча, простое сравнение упоминаний может отражать изменение охвата. Социальные площадки также содержат рекламу, слухи и попытки манипулирования. Даже корректный счётчик не проверяет финансовое положение компании и не объясняет будущую цену акции. Итоговый отчёт должен сообщать, что и когда подсчитано, какие записи исключены и где осталась неопределённость. Рейтинг внимания служит предметом анализа данных, а не основанием для сделки.
Попробуйте на практике
Проверьте рейтинг обсуждаемости на бумаге, используя только вымышленные компании А и Б.
- Создайте двенадцать строк для компании А так, чтобы они представляли четыре уникальных сообщения, и восемь разных строк для компании Б.
- Укажите площадку и идентификатор каждой строки, затем посчитайте исходное число строк по компаниям.
- Удалите только повторные сочетания площадки и идентификатора и пересчитайте сообщения.
- Присвойте оставшимся сообщениям придуманные категории: новость, вопрос, мнение или неясный случай; отдельно отметьте спорные метки.
- Напишите итог в двух предложениях: кто чаще упоминается в наборе и чего этот результат не позволяет узнать.
Как проверить результат. После удаления технических дублей у А остаются четыре сообщения, у Б восемь. Вывод относится к набору данных и не содержит прогноза стоимости или рекомендации купить акцию.
Частые вопросы
Можно ли заменить число сообщений числом авторов?
Можно, но это уже другая метрика. Укажите правило явно и учитывайте, что один человек способен использовать несколько аккаунтов, а доступные данные могут быть неполными.
Почему положительные сообщения не доказывают рост цены?
Они отражают высказывания выбранных участников. Цена зависит от множества обстоятельств, а часть сообщений может быть рекламной, ошибочной или намеренно вводящей в заблуждение.
Самостоятельный разбор темы. Содержание конкретной обучающей программы здесь не представлено.