L'analisi del sentiment basata sugli aspetti è uno dei tre livelli dell'analisi del sentiment, mentre gli altri si basano sui documenti e sugli argomenti. Questi algoritmi collaborano con il riconoscimento delle entità denominate (Named Entity Recognition, NER), l'elaborazione del linguaggio naturale (Natural Language Processing, NLP) e altre tecniche di intelligenza artificiale per misurare il sentiment.​​ 

L'analisi del sentiment basata sugli aspetti è una tecnica di apprendimento automatico (Machine Learning, ML). Fornisce informazioni dettagliate e utili dai dati relativi al feedback dei clienti suddividendoli in categorie più piccole per trovare ed estrarre sentiment nascosti del brand.​​ 

Questa tecnica analizza i dati provenienti da varie fonti (commenti e video sui social media, recensioni, pubblicazioni online e sondaggi) e aiuta a identificare quali funzionalità e aspetti di un'azienda necessitano di miglioramenti per aumentare le entrate.​​ 

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.​​ 

L'analisi del sentiment basata sugli aspetti è la più avanzata delle tre. Estrae gli aspetti dai dati per misurarne il sentiment e li attribuisce agli argomenti che sono stati precedentemente identificati. Ad esempio, può identificare aspetti come "servizio rapido", "personale cortese" e "pulizia", misurare il loro sentiment e raggrupparli sotto l'argomento "servizio clienti". È in grado quindi di fornire il sentiment basato sugli argomenti insieme a quello basato sugli aspetti.​​ 

Un modello di apprendimento automatico costruito su aspetti del settore fornisce approfondimenti più accurati perché ricavati da dati specifici. Ciò è importante perché per ogni settore ci sono aspetti differenti. Ad esempio, aspetti come "cassiere" o "risparmi" nel settore bancario non hanno alcuna relazione con aspetti come "cibo" o "bevande" nell'ambito della ristorazione. Grazie a questa funzionalità integrata, i brand possono ricevere automaticamente informazioni sul sentiment dei clienti in base a vari aspetti della loro attività senza dover creare manualmente tag o etichette per argomenti e parole chiave rilevanti per il loro settore.​​