mcpField
C
content-analysis

content-analysis

github.com/liangdabiaoデータ・データベース29881 回インストール25 週間前に更新
リポジトリ

content-analysis について

content-analysisは、従来型NLPとLLMを用いて、テキストから感情、トピック、パターンを抽出する分析スキルです。多言語コンテンツに対応し、洞察や提案を作成します。

主な機能

  1. 01感情分析
  2. 02トピックとキーワードの抽出
  3. 03コンテンツの分類とクラスタリング
  4. 04拡散パターンの検出
  5. 05多言語分析
  6. 06コンテンツ提案の作成

活用シーン

  1. 01ソーシャルメディアのブランド感情分析
  2. 02動画コメントからトピックを抽出
  3. 03商品レビューのフィードバック整理
  4. 04ニュースの感情とカテゴリの追跡

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/liangdabiao/claude-data-analysis-ultra-main --skill content-analysis

インストール後、Claude Code で/content-analysisを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

README.md
test_skill.py
examples/
basic_content_analysis.py
content_visualizer.py
llm_analyzer.py
sentiment_analyzer.py
text_analyzer.py
topic_analyzer.py
examples/sample_data/
sample_reviews.csv
sample_social_media.json
guide/
content_analysis_guide.md
templates/
content_analysis_report_template.md

詳細

コンテンツ分析スキル

高度な NLP 技術と LLM を活用した分析により、さまざまなコンテンツソースから感情、トピック、実用的なインサイトを抽出します。

クイックスタート

このスキルでは、次のことができます。

  1. 従来の NLP と LLM の両方の手法を使った感情分析
  2. 大規模なテキストデータセットからのトピックとキーワードの抽出
  3. コンテンツの自動分類とクラスタリング
  4. バイラルコンテンツのパターンと特徴の特定
  5. コンテンツに関するインサイトと推奨事項の生成
  6. 複数の言語とコンテンツ形式への対応

使用する場面

  • ソーシャルメディア分析：Facebook、Twitter、Instagram、Weibo の投稿
  • コンテンツマーケティング：ブログ記事、記事、マーケティングコピーの分析
  • 動画コンテンツ：YouTube のタイトル、説明、コメントの分析
  • 製品レビュー：Amazon、EC サイトの顧客フィードバック
  • ニュース分析：記事の分類、感情の追跡
  • 顧客フィードバック：サポートチケット、アンケート、レビューの分析

主な要件

従来の NLP 分析
pip install pandas numpy matplotlib seaborn nltk scikit-learn wordcloud
LLM による分析の強化（任意）
pip install openai dashscope  # For OpenAI and Qwen API access
NLTK データのセットアップ
import nltk
nltk.download('vader_lexicon')
nltk.download('punkt')
nltk.download('stopwords')

基本的なワークフロー

1. データの準備

データには次の情報を含めてください。

  • テキストコンテンツ：分析対象となる本文（タイトル、説明、コメントなど）
  • メタデータ：任意（著者、日付、カテゴリー、エンゲージメント指標）
  • 複数言語：英語、中国語、その他の言語に対応
2. 分析プロセス
  1. テキストの前処理：テキストのクリーニング、トークン化、正規化
  2. 感情分析：従来の VADER と LLM による強化分析
  3. トピック抽出：TF-IDF キーワードと LLM による意味的なトピック
  4. コンテンツ分類：自動分類とクラスタリング
  5. パターン認識：バイラルコンテンツの特徴を特定
  6. インサイトの生成：実行可能な推奨事項の作成
3. 成果物
  • 信頼度スコア付きの感情分析レポート
  • トピックモデルとキーワード抽出結果
  • コンテンツ分類の結果
  • バイラルコンテンツのパターン分析
  • 最適化に関する推奨事項

使用例のシナリオ

ソーシャルメディアコンテンツ分析
# Analyze Twitter posts for brand sentiment
# Identify trending topics and hashtags
# Measure engagement patterns
YouTube 動画分析
# Analyze video titles and descriptions
# Extract topics from comments
# Identify viral content patterns
製品レビュー分析
# Analyze customer feedback sentiment
# Extract product feature mentions
# Identify improvement opportunities

主な分析手法

従来の NLP 技術
  • VADER 感情分析：ルールベースの感情スコアリング
  • TF-IDF キーワード抽出：統計的な用語の重要度評価
  • テキストクラスタリング：K-means と階層型クラスタリング
  • 単語頻度分析：用語の頻度と共起関係
  • 言語検出：言語の自動識別
LLM による分析の強化
  • 文脈を考慮した感情分析：ニュアンスを含む感情の理解
  • 意味的なトピック抽出：意味に基づくトピックの特定
  • コンテンツ要約：テキストの自動要約
  • 多言語対応：言語をまたいだ分析
  • ゼロショット分類：学習データを使わない分類
高度な分析
  • 時系列分析：時間の経過に伴うコンテンツの傾向
  • エンゲージメント予測：バイラルになる可能性の予測
  • 競合分析：コンテンツのパフォーマンス比較
  • オーディエンスインサイト：人口統計と嗜好の分析

回答できる主なビジネス上の質問

  1. 自社ブランドに対する全体的な感情はどのようなものですか？
  2. 業界でトレンドになっているトピックは何ですか？
  3. コンテンツがバイラルになる要因は何ですか？
  4. 感情は人口統計や地域によってどのように異なりますか？
  5. 顧客は自社製品について何と言っていますか？
  6. 最も成果を上げているコンテンツ形式は何ですか？

統合例

examples/ ディレクトリの examples/ を参照してください。

  • basic_content_analysis.py - 従来の NLP 分析
  • llm_enhanced_analysis.py - LLM を活用した分析
  • social_media_analysis.py - ソーシャルメディアに特化した分析
  • テスト用のサンプルデータセット

LLM の設定

対応する LLM プロバイダー
  • OpenAI：GPT-3.5、GPT-4 モデル
  • Qwen (通义千问)：中国語に最適化されたモデル
  • オープンソース：HuggingFace 経由のローカルモデル
API セットアップ例
# OpenAI Configuration
import openai
openai.api_key = 'your-api-key'

# Qwen Configuration
import dashscope
dashscope.api_key = 'your-api-key'

ベストプラクティス

  1. データ品質：クリーンで一貫性のあるテキストデータを使用します
  2. サンプリング戦略：LLM による分析には代表的なサンプルを使用します
  3. コスト管理：従来の NLP と LLM の呼び出しのバランスを取ります
  4. 言語の処理：適切な言語モデルを設定します
  5. 検証：感情分析の結果を相互検証します
  6. プライバシー：データ保護規制への準拠を確保します

パフォーマンスの最適化

大規模データセットの場合
  • LLM による分析にはデータサンプリングを使用します
  • バッチ処理を実装します
  • 可能な場合は LLM の応答をキャッシュします
  • 初期フィルタリングには従来の NLP を使用します
コスト管理
  • LLM による分析では重要なコンテンツを優先します
  • 大量処理には従来の NLP を使用します
  • スマートなサンプリング戦略を実装します
  • API の使用量とコストを監視します

高度な機能

  • リアルタイム分析：ライブコンテンツをストリーム処理します
  • マルチモーダル分析：テキスト＋画像＋動画コンテンツ
  • カスタムモデル：特定のドメイン向けにモデルをファインチューニングします
  • 統合 API：コンテンツ管理システムに接続します
  • 自動レポート作成：スケジュールに基づいて分析とレポート作成を実行します

トラブルシューティング

よくある問題
  1. 感情分析の精度が低い：言語設定とテキストの前処理を確認します
  2. API コストが高い：サンプリングとキャッシュの戦略を最適化します
  3. 処理が遅い：並列処理とバッチ処理を実装します
  4. 言語サポート：英語以外のコンテンツに適したモデルを使用していることを確認します
パフォーマンスのヒント
  • テキストデータを効果的に前処理します
  • タスクに適したモデルサイズを使用します
  • 結果のキャッシュを実装します
  • リソースの使用状況を監視し、最適化します

コメント

Markdown 対応