El análisis del sentimiento basado en aspectos es uno de los tres niveles de este tipo de análisis. Los otros dos son el análisis del sentimiento basado en documentos y basado en Topics. Estos algoritmos funcionan conjuntamente con el reconocimiento de entidades nombradas (NER, por sus siglas en inglés), el procesamiento del lenguaje natural (PLN) y otras técnicas de IA para medir el sentimiento.​​ 

El análisis del sentimiento basado en aspectos es una técnica de aprendizaje automático (ML, por sus siglas en inglés). Brinda información detallada y práctica a partir de los datos de comentarios de los clientes al clasificarlos en categorías más pequeñas para encontrar y extraer los sentimientos ocultos sobre una marca.​​ 

La técnica analiza datos de varias fuentes, incluidos comentarios y videos de redes sociales, reseñas, publicaciones en línea y encuestas, y puede ayudar a identificar qué funciones y aspectos de un negocio es necesario mejorar a fin de aumentar los ingresos.​​ 

Document-based sentiment analysis analyzes a whole piece of text and provides a single categorization of the sentiment expressed. at the emotions expressed. Topic-based sentiment analysis breaks pieces of text into words and phrases, clusters them in specific topics such as ‘food’ or ‘customer service’ and calculates sentiments for each of them. A powerful sentiment analysis tool often leverages this advanced technique, ensuring brands automatically receive customer sentiment insights about various aspects of their business without having to manually build tags or labels for topics and keywords relevant to their industry.​​ 

El análisis del sentimiento basado en aspectos es el más avanzado de los tres. Extrae aspectos de los datos para medir su sentimiento y los atribuye a los temas que se han identificado con anterioridad. Por ejemplo, identificará aspectos como "servicio rápido", "personal educado" y "limpieza", medirá su sentimiento y los agrupará en el Topic "servicio al cliente". De esta forma, obtienes información sobre el sentimiento según el Topic y el aspecto.​​ 

Un modelo de aprendizaje automático basado en los aspectos de la industria brinda información más precisa porque se extrae de datos específicos. Esto es importante porque los aspectos de cada industria son diferentes. Por ejemplo, los aspectos como "cajero" o "cuenta de ahorro" en la industria bancaria no tienen relación alguna con los aspectos como "comida" o "bebidas" en el sector gastronómico. Con esta función incorporada, las marcas pueden recibir automáticamente información sobre el sentimiento de los clientes acerca de varios aspectos de su negocio sin tener que crear de forma manual etiquetas o rótulos para Topics y palabras clave relevantes para su industria.​​