استخرج المشاعر الدقيقة في النص باستخدام Amazon Comprehend Targeted Sentiment

فهم الأمازون هي خدمة معالجة اللغة الطبيعية (NLP) التي تستخدم التعلم الآلي (ML) لاكتشاف الرؤى من النص. كخدمة مُدارة بالكامل ، لا تتطلب Amazon Comprehend أي خبرة في تعلم الآلة ويمكنها التوسع في أحجام كبيرة من البيانات. يوفر Amazon Comprehend عدة أنواع مختلفة واجهات برمجة التطبيقات لدمج البرمجة اللغوية العصبية بسهولة في تطبيقاتك. يمكنك ببساطة استدعاء واجهات برمجة التطبيقات في تطبيقك وتوفير موقع المستند أو النص المصدر. كيانات إخراج واجهات برمجة التطبيقات والعبارات الرئيسية والمشاعر وتصنيف المستندات واللغة بتنسيق سهل الاستخدام لتطبيقك أو عملك.

تساعد واجهات برمجة التطبيقات لتحليل المشاعر التي توفرها Amazon Comprehend الشركات على تحديد شعور المستند. يمكنك قياس الشعور العام للمستند على أنه إيجابي أو سلبي أو محايد أو مختلط. ومع ذلك ، للحصول على دقة فهم المشاعر المرتبطة بمنتجات أو علامات تجارية معينة ، كان على الشركات استخدام حلول بديلة مثل تقسيم النص إلى كتل منطقية واستنتاج المشاعر المعبر عنها تجاه منتج معين.

للمساعدة في تبسيط هذه العملية ، بدءًا من اليوم ، تطلق Amazon Comprehend ملف المشاعر المستهدفة ميزة لتحليل المشاعر. يوفر هذا القدرة على تحديد مجموعات الإشارات (مجموعات المرجع المشترك) المقابلة لكيان أو سمة واحدة في العالم الحقيقي ، وتوفير المشاعر المرتبطة بكل كيان مذكور ، وتوفير تصنيف كيان العالم الحقيقي بناءً على قائمة محددة سلفا من الكيانات.

يقدم هذا المنشور نظرة عامة حول كيفية بدء استخدام Amazon Comprehend للمشاعر المستهدفة ، ويوضح ما يمكنك فعله بالمخرجات ، ويمشي خلال ثلاث حالات شائعة لاستخدام المشاعر المستهدفة.

حل نظرة عامة

فيما يلي مثال على المشاعر المستهدفة:

"المنتجع الصحي" هو الكيان الأساسي المحدد كنوع facility، ويشار إليه مرتين أخريين باسم الضمير "هو". توفر واجهة برمجة تطبيقات المشاعر المستهدفة المشاعر تجاه كل كيان. المشاعر الإيجابية هي الأخضر ، والسلبية حمراء ، والمحايدة زرقاء. يمكننا أيضًا تحديد كيفية تغير المشاعر تجاه المنتجع الصحي طوال الجملة. نتعمق أكثر في API لاحقًا في المنشور.

هذه القدرة تفتح العديد من القدرات المختلفة للشركات. يمكن لفرق التسويق تتبع المشاعر الشعبية تجاه علاماتهم التجارية في وسائل التواصل الاجتماعي بمرور الوقت. يمكن لتجار التجارة الإلكترونية فهم السمات المحددة لمنتجاتهم التي حظيت بقبول العملاء الأفضل والأسوأ. يمكن لمشغلي مركز الاتصال استخدام الميزة لتعدين النصوص الخاصة بمشكلات التصعيد ومراقبة تجربة العملاء. يمكن للمطاعم والفنادق ومؤسسات صناعة الضيافة الأخرى استخدام الخدمة لتحويل فئات التصنيفات الواسعة إلى أوصاف غنية لتجارب العملاء الجيدة والسيئة.

حالات استخدام المشاعر المستهدفة

تأخذ Targeted Sentiment API في Amazon Comprehend بيانات نصية مثل منشورات وسائل التواصل الاجتماعي ومراجعات التطبيق وتدوينات مركز الاتصال كمدخلات. ثم يقوم بتحليل المدخلات باستخدام قوة خوارزميات البرمجة اللغوية العصبية لاستخراج المشاعر على مستوى الكيان تلقائيًا. ان كيان هو مرجع نصي للاسم الفريد لكائن في العالم الحقيقي ، مثل الأشخاص والأماكن والعناصر التجارية ، بالإضافة إلى مراجع دقيقة لمقاييس مثل التواريخ والكميات. للحصول على قائمة كاملة بالكيانات المدعومة ، يرجى الرجوع إلى كيانات المعنويات المستهدفة.

نحن نستخدم Targeted Sentiment API لتمكين حالات الاستخدام التالية:

• يمكن للشركة تحديد أجزاء ممتعة من تجربة الموظف / العميل والأجزاء التي يمكن تحسينها.
• يمكن لمراكز الاتصال وفرق خدمة العملاء تحليل النسخ أثناء المكالمة أو سجلات الدردشة لتحديد فعالية تدريب الوكلاء وتفاصيل المحادثة مثل ردود الفعل المحددة من العميل والعبارات أو الكلمات التي تم استخدامها لإزاحة هذا الرد.
• يمكن لمالكي المنتجات ومطوري UI / UX تحديد ميزات منتجاتهم التي يستمتع بها المستخدمون والأجزاء التي تتطلب تحسينًا. يمكن أن يدعم ذلك مناقشات خارطة طريق المنتج وتحديد الأولويات.

يوضح الرسم البياني التالي عملية المشاعر المستهدفة:

في هذا المنشور ، نوضح هذه العملية باستخدام المراجعات النموذجية الثلاثة التالية:

• نموذج 1: مراجعة الأعمال والمنتج - "أنا حقًا أحب مدى سمك السترة. أرتدي سترة كبيرة لأن أكتافي عريضة وهذا ما طلبته وهو مناسب تمامًا هناك. كدت أشعر وكأنها بالونات تخرج من الصندوق إلى أسفل. اعتقدت أنني سأستخدم الخيوط الموجودة في الجزء السفلي من السترة للمساعدة في إغلاقها وإدخالها ، لكن هذه لا تعمل. تبدو السترة ضخمة جدًا ".
• نموذج 2: النسخ المكتبي لمركز الاتصال - "مرحبًا ، هناك حظر احتيال على بطاقتي الائتمانية ، هل يمكنك إزالته من أجلي. يتم الإبلاغ عن بطاقتي الائتمانية باستمرار بسبب الاحتيال. إنه أمر مزعج للغاية ، في كل مرة أستخدمها ، أستمر في الرفض. سأقوم بإلغاء البطاقة إذا حدث هذا مرة أخرى ".
• النموذج 3: استطلاع آراء أصحاب العمل - "أنا سعيد لأن الإدارة تعمل على تحسين مهارات الفريق. لكن المدرب لم يتطرق إلى الأساسيات جيدًا. يجب على الإدارة بذل المزيد من العناية الواجبة على مستوى مهارة كل فرد للجلسات المستقبلية ".

تحضير البيانات

للبدء ، قم بتنزيل ملفات العينة التي تحتوي على نص المثال باستخدام ملف واجهة سطر الأوامر AWS (AWS CLI) عن طريق تشغيل الأوامر التالية:

aws s3 cp s3://aws-blogs-artifacts-public/artifacts/ML-8148/ts-sample-data.zip .

خلق خدمة تخزين أمازون البسيطة (Amazon S3) ، قم بفك ضغط المجلد وتحميل المجلد الذي يحتوي على ملفات العينات الثلاثة. تأكد من أنك تستخدم نفس المنطقة في جميع أنحاء.

يمكنك الآن الوصول إلى نماذج الملفات النصية الثلاثة في حاوية S3 الخاصة بك.

قم بإنشاء وظيفة في Amazon Comprehend

بعد تحميل الملفات إلى حاوية S3 ، أكمل الخطوات التالية:

1. في وحدة تحكم Amazon Comprehend ، اختر وظائف التحليل في جزء التنقل.
   
2. اختار خلق وظيفة.
   
3. في حالة الاسم، أدخل اسمًا لعملك.
4. في حالة نوع التحليل، اختر المشاعر المستهدفة.
5. تحت ادخال البيانات، أدخل موقع Amazon S3 الخاص بـ ts عينة البيانات المجلد.
6. في حالة تنسيق المدخلات، اختر مستند واحد لكل ملف.

يمكنك تغيير هذا التكوين إذا كانت بياناتك في ملف واحد محدد بخطوط.

7. تحت موقع الإخراج، أدخل موقع Amazon S3 حيث تريد حفظ إخراج الوظيفة.
8. تحت أذونات الوصول، ل دور IAM، اختر ملفًا موجودًا إدارة الهوية والوصول AWS (IAM) أو إنشاء دور لديه أذونات لحاوية S3.
9. اترك الخيارات الأخرى كخيار افتراضي واختر خلق وظيفة.
   

بعد أن تبدأ العمل ، يمكنك مراجعة تفاصيل وظيفتك. يعتمد إجمالي وقت تشغيل المهمة على حجم بيانات الإدخال.

10. عند اكتمال المهمة ، تحت الناتج، اختر الارتباط إلى موقع بيانات الإخراج.
    

هنا يمكنك العثور على ملف إخراج مضغوط.

11. قم بتنزيل وفك ضغط الملف.

يمكنك الآن فحص ملفات الإخراج لكل نص عينة. افتح الملفات في محرر النصوص المفضل لديك لمراجعة بنية استجابة API. نصف هذا بمزيد من التفصيل في القسم التالي.

هيكل استجابة API

توفر واجهة برمجة تطبيقات المعنويات المستهدفة طريقة بسيطة لاستهلاك مخرجات وظائفك. يوفر تجميعًا منطقيًا للكيانات (مجموعات الكيانات) المكتشفة ، جنبًا إلى جنب مع المشاعر لكل كيان. فيما يلي بعض تعريفات الحقول الموجودة في الاستجابة:

• الكيانات - الأجزاء الهامة من الوثيقة. علي سبيل المثال، Person, Place, Date, Foodالطرق أو Taste.
• الاشارات - مراجع أو إشارات الكيان في المستند. يمكن أن تكون هذه الضمائر أو الأسماء الشائعة مثل "هو" و "هو" و "كتاب" وما إلى ذلك. يتم تنظيمها بالترتيب حسب الموقع (الإزاحة) في المستند.
• الوصف الوصفي الفهرس - الفهرس في Mentions الذي يعطي أفضل تصوير لمجموعة الكيانات. على سبيل المثال ، "ABC Hotel" بدلاً من "hotel" أو "it" أو أي اسم شائع آخر.
• GroupScore - الثقة في أن جميع الكيانات المذكورة في المجموعة مرتبطة بنفس الكيان (مثل "أنا" و "أنا" و "أنا" تشير إلى شخص واحد).
• نص - النص الموجود في المستند الذي يصور الكيان
• النوع - وصف لما يصوره الكيان.
• العلامة - ثقة النموذج في أن هذا كيان ذو صلة.
• اذكر المشاعر - المعنى الفعلي الذي وجد للإشارة.
• عاطفة - قيمة السلسلة positive, neutral, negativeالطرق أو mixed.
• المشاعر - نموذج الثقة لكل عاطفة ممكنة.
• بداية الإزاحة - الإزاحة في نص المستند حيث تبدأ الإشارة.
• إزاحة النهاية - الإزاحة في نص المستند حيث تنتهي الإشارة.

لتوضيح ذلك بصريًا ، دعنا نأخذ مخرجات حالة الاستخدام الثالثة ، استقصاء تعليقات صاحب العمل ، وننتقل عبر مجموعات الكيانات التي تمثل الموظف الذي يكمل الاستبيان والإدارة والمدرس.

دعونا أولاً نلقي نظرة على جميع إشارات مجموعة كيانات المرجع المشترك المرتبطة بـ "أنا" (الموظف الذي يكتب الرد) وموقع الإشارة في النص. DescriptiveMentionIndex يمثل فهارس الكيان الذي يذكر أنه أفضل تصور لمجموعة كيانات المرجع المشترك (في هذه الحالة I):

{ "DescriptiveMentionIndex": [ 0 ], "Mentions": [ { "BeginOffset": 0, "EndOffset": 1, "Score": 0.999997, "GroupScore": 1, "Text": "I", "Type": "PERSON", "MentionSentiment": { "Sentiment": "NEUTRAL", "SentimentScore": { "Mixed": 0, "Negative": 0, "Neutral": 1, "Positive": 0 } } } ] }

توفر المجموعة التالية من الكيانات جميع الإشارات إلى مجموعة كيانات المرجع المشترك المرتبطة بالإدارة ، إلى جانب موقعها في النص. DescriptiveMentionIndex يمثل فهارس الكيان الذي يذكر أنه أفضل تصور لمجموعة كيانات المرجع المشترك (في هذه الحالة management). شيء يجب ملاحظته في هذا المثال هو تحول المشاعر نحو الإدارة. يمكنك استخدام هذه البيانات لاستنتاج أجزاء إجراءات الإدارة التي تم اعتبارها إيجابية ، والأجزاء التي تم اعتبارها سلبية وبالتالي يمكن تحسينها.

{ "DescriptiveMentionIndex": [ 0, 1 ], "Mentions": [ { "BeginOffset": 9, "EndOffset": 19, "Score": 0.999984, "GroupScore": 1, "Text": "management", "Type": "ORGANIZATION", "MentionSentiment": { "Sentiment": "POSITIVE", "SentimentScore": { "Mixed": 0, "Negative": 0, "Neutral": 0, "Positive": 1 } } }, { "BeginOffset": 103, "EndOffset": 113, "Score": 0.999998, "GroupScore": 0.999896, "Text": "Management", "Type": "ORGANIZATION", "MentionSentiment": { "Sentiment": "NEGATIVE", "SentimentScore": { "Mixed": 0.000149, "Negative": 0.990075, "Neutral": 0.000001, "Positive": 0.009775 } } } ] }

في الختام ، دعونا نلاحظ جميع إشارات المدرب والموقع في النص. DescriptiveMentionIndex يمثل فهارس الكيان الذي يذكر أنه أفضل تصور لمجموعة كيانات المرجع المشترك (في هذه الحالة instructor):

{ "DescriptiveMentionIndex": [ 0 ], "Mentions": [ { "BeginOffset": 52, "EndOffset": 62, "Score": 0.999996, "GroupScore": 1, "Text": "instructor", "Type": "PERSON", "MentionSentiment": { "Sentiment": "NEGATIVE", "SentimentScore": { "Mixed": 0, "Negative": 0.999997, "Neutral": 0.000001, "Positive": 0.000001 } } } ] }

الهندسة المعمارية المرجعية

يمكنك تطبيق المشاعر المستهدفة على العديد من السيناريوهات وحالات الاستخدام لزيادة قيمة الأعمال ، مثل ما يلي:

• تحديد فعالية الحملات التسويقية وإطلاق الميزات من خلال الكشف عن الكيانات والإشارات التي تحتوي على ردود الفعل الأكثر إيجابية أو سلبية
• إخراج الاستعلام لتحديد الكيانات والإشارات المتعلقة بكيان مطابق (موجب أو سلبي أو محايد)
• قم بتحليل المشاعر عبر دورة حياة تفاعل العملاء في مراكز الاتصال لإثبات فعالية تغييرات العملية أو التدريب

يوضح الرسم التخطيطي التالي عملية شاملة:

وفي الختام

يظل فهم التفاعلات والتعليقات التي تتلقاها المؤسسات من العملاء حول منتجاتهم وخدماتهم أمرًا بالغ الأهمية في تطوير منتجات وتجارب عملاء أفضل. على هذا النحو ، هناك حاجة إلى مزيد من التفاصيل الدقيقة لاستنتاج نتائج أفضل.

في هذا المنشور ، قدمنا ​​بعض الأمثلة عن كيفية استخدام هذه التفاصيل الدقيقة لمساعدة المؤسسات على تحسين المنتجات وتجارب العملاء والتدريب مع تحفيز السمات الإيجابية والتحقق من صحتها. هناك العديد من حالات الاستخدام عبر الصناعات حيث يمكنك التجربة والحصول على قيمة من المشاعر المستهدفة.

نحن نشجعك على تجربة هذه الميزة الجديدة مع حالات الاستخدام الخاصة بك. لمزيد من المعلومات وللبدء ، راجع المشاعر المستهدفة.

حول المؤلف

راج باتاك مهندس حلول ومستشار تقني لعملاء Fortune 50 ومتوسطي الحجم FSI (البنوك والتأمين وأسواق رأس المال) في جميع أنحاء كندا والولايات المتحدة. راج متخصص في التعلم الآلي مع تطبيقات في استخراج المستندات وتحويل مركز الاتصال ورؤية الكمبيوتر.

سانجيف بولاباكا هو مهندس حلول أول في فريق Fed Civilian SA في الولايات المتحدة في Amazon Web Services (AWS). يعمل بشكل وثيق مع العملاء في بناء وتصميم حلول مهمة للمهمة. يتمتع Sanjeev بخبرة واسعة في قيادة وتصميم وتنفيذ الحلول التقنية عالية التأثير التي تلبي احتياجات العمل المتنوعة في قطاعات متعددة بما في ذلك الحكومات التجارية والفدرالية وحكومات الولايات والحكومات المحلية. حصل على درجة البكالوريوس في الهندسة من المعهد الهندي للتكنولوجيا وماجستير في إدارة الأعمال من جامعة نوتردام.

• كوينسمارت. أفضل بورصة للبيتكوين والعملات المشفرة في أوروبا.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. دخول مجاني.
• كريبتوهوك. الرادار. تجربة مجانية.
• المصدر: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/