Uddrag granuleret følelse i tekst med Amazon Comprehend Targeted Sentiment

Amazon Comprehend er en NLP-tjeneste (natural language processing), der bruger maskinlæring (ML) til at opdage indsigt fra tekst. Som en fuldt administreret tjeneste kræver Amazon Comprehend ingen ML-ekspertise og kan skalere til store mængder data. Amazon Comprehend tilbyder flere forskellige API'er for nemt at integrere NLP i dine applikationer. Du kan blot kalde API'erne i din applikation og angive placeringen af ​​kildedokumentet eller teksten. API'erne udsender enheder, nøglesætninger, følelser, dokumentklassificering og sprog i et brugervenligt format til din applikation eller virksomhed.

De sentimentanalyse-API'er, der leveres af Amazon Comprehend, hjælper virksomheder med at bestemme stemningen i et dokument. Du kan måle den overordnede følelse af et dokument som positiv, negativ, neutral eller blandet. Men for at få granulariteten i at forstå den følelse, der er forbundet med specifikke produkter eller mærker, har virksomheder været nødt til at anvende løsninger som at dele teksten i logiske blokke og udlede den følelse, der udtrykkes over for et specifikt produkt.

For at hjælpe med at forenkle denne proces, starter i dag, lancerer Amazon Comprehend Målrettet følelse funktion til sentimentanalyse. Dette giver mulighed for at identificere grupper af omtaler (co-referencegrupper) svarende til en enkelt entitet eller egenskab i den virkelige verden, give den følelse, der er forbundet med hver omtale af enheden, og give klassificeringen af ​​den virkelige entitet baseret på en forudbestemt liste over enheder.

Dette indlæg giver et overblik over, hvordan du kan komme i gang med Amazon Comprehend målrettet sentiment, demonstrerer, hvad du kan gøre med outputtet, og gennemgår tre almindelige målrettede sentiment use cases.

Løsningsoversigt

Følgende er et eksempel på målrettet stemning:

"Spa" er den primære enhed, identificeret som type facility, og er nævnt to gange mere, omtalt som pronomenet "det". Targeted Sentiment API giver stemningen over for hver enhed. Positiv følelse er grøn, negativ er rød, og neutral er blå. Vi kan også bestemme, hvordan stemningen over for spaen ændrer sig gennem sætningen. Vi dykker dybere ned i API'et senere i indlægget.

Denne mulighed åbner op for flere forskellige muligheder for virksomheder. Marketingteams kan spore populære følelser over for deres brands på sociale medier over tid. E-handelshandlere kan forstå, hvilke specifikke egenskaber ved deres produkter, der blev bedst og dårligst modtaget af kunderne. Call center-operatører kan bruge funktionen til at mine transskriptioner for eskaleringsproblemer og til at overvåge kundeoplevelsen. Restauranter, hoteller og andre organisationer i restaurationsbranchen kan bruge tjenesten til at omdanne brede vurderingskategorier til rige beskrivelser af gode og dårlige kundeoplevelser.

Målrettede tilfælde af brug af følelser

Targeted Sentiment API i Amazon Comprehend tager tekstdata såsom opslag på sociale medier, applikationsanmeldelser og callcenter-transskriptioner som input. Derefter analyserer den input ved hjælp af kraften i NLP-algoritmer til automatisk at udtrække stemning på enhedsniveau. An enhed er en tekstlig reference til det unikke navn på et objekt i den virkelige verden, såsom mennesker, steder og kommercielle genstande, foruden præcise referencer til mål såsom datoer og mængder. Se en komplet liste over understøttede enheder Målrettede sentimentenheder.

Vi bruger Targeted Sentiment API til at aktivere følgende use cases:

• En virksomhed kan identificere dele af medarbejder-/kundeoplevelsen, der er behagelige, og dele, der kan forbedres.
• Kontaktcentre og kundeserviceteams kan analysere vagttransskriptioner eller chatlogs for at identificere effektiviteten af ​​agenttræning og samtaledetaljer såsom specifikke reaktioner fra en kunde og sætninger eller ord, der blev brugt til at ulovliggøre dette svar.
• Produktejere og UI/UX-udviklere kan identificere funktioner i deres produkt, som brugerne kan lide, og dele, der kræver forbedring. Dette kan understøtte produktkøreplandiskussioner og prioriteringer.

Følgende diagram illustrerer den målrettede følelsesproces:

I dette indlæg demonstrerer vi denne proces ved hjælp af følgende tre eksempler på anmeldelser:

• Eksempel 1: Forretnings- og produktgennemgang – “Jeg kan rigtig godt lide, hvor tyk jakken er. Jeg bærer en stor jakke, fordi jeg har brede skuldre, og det er det, jeg har bestilt, og det passer perfekt der. Jeg føler næsten, at det ballonerer ud fra brystet og ned. Jeg troede, jeg ville bruge snorene i bunden af ​​jakken til at hjælpe med at lukke den og bringe den ind, men de virker ikke. Jakken føles meget omfangsrig."
• Eksempel 2: Kontaktcentertransskription – “Hej, der er en svindelblokering på mit kreditkort, kan du fjerne det for mig. Mit kreditkort bliver ved med at blive markeret for bedrageri. Det er ret irriterende, hver gang jeg bruger det, bliver jeg ved med at blive afvist. Jeg har tænkt mig at annullere kortet, hvis dette sker igen.”
• Eksempel 3: Arbejdsgiverfeedbackundersøgelse – “Jeg er glad for, at ledelsen opkvalificerer holdet. Men instruktøren gik ikke godt over det grundlæggende. Ledelsen bør gøre mere due diligence på alles færdighedsniveau til fremtidige sessioner."

Forbered dataene

For at komme i gang skal du downloade eksempelfilerne, der indeholder eksempelteksten ved hjælp af AWS kommandolinjegrænseflade (AWS CLI) ved at køre følgende kommandoer:

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

Opret en Amazon Simple Storage Service (Amazon S3) bucket, udpak mappen og upload mappen, der indeholder de tre eksempelfiler. Sørg for, at du bruger den samme region overalt.

Du kan nu få adgang til de tre eksempeltekstfiler i din S3-bøtte.

Opret et job i Amazon Comprehend

Når du har uploadet filerne til din S3-bøtte, skal du udføre følgende trin:

1. På Amazon Comprehend-konsollen skal du vælge Analyse job i navigationsruden.
   
2. Vælg Skab job.
   
3. Til Navn, indtast et navn til dit job.
4. Til Analyse type, vælg Målrettet stemning.
5. Under Indtast data, skal du indtaste Amazon S3-placeringen for ts-sample-data mappe.
6. Til Input format, vælg Et dokument pr. fil.

Du kan ændre denne konfiguration, hvis dine data er i en enkelt fil afgrænset af linjer.

7. Under Output placering, skal du indtaste den Amazon S3-placering, hvor du vil gemme joboutputtet.
8. Under Adgangstilladelser, For IAM rolle, vælg en eksisterende AWS identitets- og adgangsstyring (IAM)-rolle eller oprette en, der har tilladelser til S3-bøtten.
9. Lad de andre muligheder være standard, og vælg Skab job.
   

Når du har startet jobbet, kan du gennemgå dine joboplysninger. Den samlede jobkørselstid afhænger af størrelsen af ​​inputdataene.

10. Når jobbet er færdigt, under Produktion, vælg linket til outputdataplaceringen.
    

Her kan du finde en komprimeret outputfil.

11. Download og dekomprimer filen.

Du kan nu inspicere outputfilerne for hver eksempeltekst. Åbn filerne i din foretrukne teksteditor for at gennemgå API-svarstrukturen. Vi beskriver dette mere detaljeret i næste afsnit.

API-svarstruktur

Targeted Sentiment API giver en enkel måde at forbruge output fra dine job. Det giver en logisk gruppering af de entiteter (entitetsgrupper), der er fundet, sammen med stemningen for hver enhed. Følgende er nogle definitioner af de felter, der er i svaret:

• Enheder – De væsentlige dele af dokumentet. For eksempel, Person, Place, Date, Food eller Taste.
• Nævner – Referencerne eller omtalen af ​​enheden i dokumentet. Disse kan være pronominer eller almindelige navneord som "det", "ham", "bog" og så videre. Disse er organiseret i rækkefølge efter placering (offset) i dokumentet.
• DescriptiveMentionIndex – Indekset i Mentions der giver den bedste skildring af enhedsgruppen. For eksempel nævner "ABC Hotel" i stedet for "hotel", "det" eller andre almindelige navneord.
• GroupScore – Tilliden til, at alle de enheder, der er nævnt i gruppen, er relateret til den samme enhed (såsom "jeg", "mig" og "mig selv", der henviser til én person).
• tekst – Teksten i dokumentet, der afbilder enheden
• Type – En beskrivelse af, hvad enheden afbilder.
• Score – Modellens tillid til, at dette er en relevant enhed.
• NævnSentiment – Den faktiske stemning fundet for omtalen.
• Sentiment – Strengværdien af positive, neutral, negative eller mixed.
• SentimentScore – Modeltilliden for hver mulig følelse.
• StartOffset – Forskydningen i dokumentteksten, hvor omtalen begynder.
• EndOffset – Forskydningen i dokumentteksten, hvor omtalen slutter.

For at demonstrere dette visuelt, lad os tage output fra den tredje use case, arbejdsgiverfeedback-undersøgelsen, og gennemgå de enhedsgrupper, der repræsenterer medarbejderen, der gennemfører undersøgelsen, ledelsen og instruktøren.

Lad os først se på alle omtaler af co-reference enhedsgruppen forbundet med "I" (medarbejderen, der skriver svaret) og placeringen af ​​omtalen i teksten. DescriptiveMentionIndex repræsenterer indekser for de enhedsomtaler, der bedst afbilder co-reference enhedsgruppen (i dette tilfælde 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 } } } ] }

Den næste gruppe af enheder giver alle omtaler af den medreferenceenhedsgruppe, der er knyttet til ledelsen, sammen med dens placering i teksten. DescriptiveMentionIndex repræsenterer indekser for de enhedsomtaler, der bedst afbilder co-reference enhedsgruppen (i dette tilfælde management). Noget at observere i dette eksempel er stemningsskiftet i retning af ledelse. Du kan bruge disse data til at udlede, hvilke dele af ledelsens handlinger der blev opfattet som positive, og hvilke dele der blev opfattet som negative og derfor kan forbedres.

{ "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 } } } ] }

For at afslutte, lad os observere alle omtaler af instruktøren og placeringen i teksten. DescriptiveMentionIndex repræsenterer indekser for de enhedsomtaler, der bedst afbilder co-reference enhedsgruppen (i dette tilfælde 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 } } } ] }

Referencearkitektur

Du kan anvende målrettet stemning på mange scenarier og bruge cases til at skabe forretningsværdi, såsom følgende:

• Bestem effektiviteten af ​​marketingkampagner og funktionslanceringer ved at opdage de enheder og omtaler, der indeholder den mest positive eller negative feedback
• Forespørgselsoutput for at bestemme, hvilke enheder og omtaler, der vedrører en tilsvarende enhed (positiv, negativ eller neutral)
• Analyser sentiment på tværs af kundeinteraktionens livscyklus i kontaktcentre for at demonstrere effektiviteten af ​​proces- eller træningsændringer

Følgende diagram viser en ende-til-ende-proces:

Konklusion

At forstå de interaktioner og feedback, organisationer modtager fra kunder om deres produkter og tjenester er fortsat afgørende for at udvikle bedre produkter og kundeoplevelser. Som sådan kræves der mere detaljerede detaljer for at udlede bedre resultater.

I dette indlæg har vi givet nogle eksempler på, hvordan brugen af ​​disse detaljerede detaljer kan hjælpe organisationer med at forbedre produkter, kundeoplevelser og træning, samtidig med at de tilskynder og validerer positive egenskaber. Der er mange use cases på tværs af brancher, hvor du kan eksperimentere med og få værdi af målrettet stemning.

Vi opfordrer dig til at prøve denne nye funktion med dine use cases. For mere information og for at komme i gang, se Målrettet følelse.

Om forfatterne

Raj Pathak er løsningsarkitekt og teknisk rådgiver for Fortune 50 og mellemstore FSI-kunder (Banking, Insurance, Capital Markets) i Canada og USA. Raj har specialiseret sig i Machine Learning med applikationer i Document Extraction, Contact Center Transformation og Computer Vision.

Sanjeev Pulapaka er Senior Solutions Architect i det amerikanske Fed Civilian SA-team hos Amazon Web Services (AWS). Han arbejder tæt sammen med kunder i at bygge og arkitekte missionskritiske løsninger. Sanjeev har stor erfaring med at lede, bygge og implementere højeffektive teknologiløsninger, der imødekommer forskellige forretningsbehov i flere sektorer, herunder kommercielle, føderale, statslige og lokale myndigheder. Han har en bachelorgrad i ingeniør fra Indian Institute of Technology og en MBA fra University of Notre Dame.

• Coinsmart. Europas bedste Bitcoin og Crypto Exchange.
• Platoblokkæde. Web3 Metaverse Intelligence. Viden forstærket. FRI ADGANG.
• CryptoHawk. Altcoin radar. Gratis prøveversion.
• Kilde: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/