Extrahieren Sie mit Amazon Comprehend Targeted Sentiment detaillierte Stimmungen im Text

Amazon verstehen ist ein Dienst zur Verarbeitung natürlicher Sprache (NLP), der maschinelles Lernen (ML) verwendet, um Erkenntnisse aus Text zu gewinnen. Als vollständig verwalteter Service erfordert Amazon Comprehend keine ML-Expertise und kann auf große Datenmengen skaliert werden. Amazon Comprehend bietet mehrere verschiedene APIs um NLP einfach in Ihre Anwendungen zu integrieren. Sie können einfach die APIs in Ihrer Anwendung aufrufen und den Speicherort des Quelldokuments oder -texts angeben. Die APIs geben Entitäten, Schlüsselphrasen, Stimmung, Dokumentklassifizierung und Sprache in einem benutzerfreundlichen Format für Ihre Anwendung oder Ihr Unternehmen aus.

Die von Amazon Comprehend bereitgestellten Stimmungsanalyse-APIs helfen Unternehmen, die Stimmung eines Dokuments zu bestimmen. Sie können die Gesamtstimmung eines Dokuments als positiv, negativ, neutral oder gemischt einschätzen. Um jedoch die mit bestimmten Produkten oder Marken verbundene Stimmung detailliert zu verstehen, mussten Unternehmen Problemumgehungen anwenden, wie z. B. das Aufteilen des Textes in logische Blöcke und das Ableiten der gegenüber einem bestimmten Produkt ausgedrückten Stimmung.

Um diesen Prozess zu vereinfachen, startet Amazon Comprehend ab heute die Gezielte Stimmung Funktion zur Stimmungsanalyse. Dies bietet die Möglichkeit, Gruppen von Erwähnungen (Co-Referenzgruppen) zu identifizieren, die einer einzelnen realen Entität oder einem einzelnen Attribut entsprechen, die mit jeder Entitätserwähnung verbundene Stimmung bereitzustellen und die Klassifizierung der realen Entität basierend auf a bereitzustellen vordefinierte Liste von Entitäten.

Dieser Beitrag bietet einen Überblick darüber, wie Sie mit Amazon Comprehend Targeted Sentiment beginnen können, zeigt, was Sie mit der Ausgabe machen können, und geht durch drei gängige Anwendungsfälle für Targeted Sentiment.

Lösungsüberblick

Das Folgende ist ein Beispiel für gezielte Stimmung:

„Spa“ ist die primäre Entität, die als Typ identifiziert wird facility, und wird noch zweimal erwähnt, bezeichnet als das Pronomen „es“. Die Targeted Sentiment API stellt die Stimmung gegenüber jeder Entität bereit. Positive Stimmung ist grün, negativ ist rot und neutral ist blau. Wir können auch feststellen, wie sich die Stimmung gegenüber dem Spa im Laufe des Satzes ändert. Wir tauchen später in diesem Beitrag tiefer in die API ein.

Diese Funktion eröffnet Unternehmen verschiedene Möglichkeiten. Marketingteams können im Laufe der Zeit populäre Meinungen zu ihren Marken in sozialen Medien nachverfolgen. E-Commerce-Händler können nachvollziehen, welche spezifischen Attribute ihrer Produkte von den Kunden am besten und am schlechtesten angenommen wurden. Call-Center-Betreiber können die Funktion verwenden, um Transkripte auf Eskalationsprobleme zu durchsuchen und die Kundenerfahrung zu überwachen. Restaurants, Hotels und andere Organisationen des Gastgewerbes können den Service nutzen, um breite Bewertungskategorien in umfassende Beschreibungen guter und schlechter Kundenerfahrungen umzuwandeln.

Gezielte Sentiment-Anwendungsfälle

Die Targeted Sentiment API in Amazon Comprehend nimmt Textdaten wie Social-Media-Beiträge, Bewerbungsüberprüfungen und Call-Center-Transkriptionen als Eingabe. Anschließend analysiert es die Eingabe mithilfe der Leistungsfähigkeit von NLP-Algorithmen, um Stimmungen auf Entitätsebene automatisch zu extrahieren. Ein Einheit ist ein textueller Verweis auf den eindeutigen Namen eines realen Objekts, wie z. B. Personen, Orte und Handelsartikel, zusätzlich zu präzisen Verweisen auf Maße wie Daten und Mengen. Eine vollständige Liste der unterstützten Entitäten finden Sie unter Gezielte Sentimenteinheiten.

Wir verwenden die Targeted Sentiment API, um die folgenden Anwendungsfälle zu ermöglichen:

• Ein Unternehmen kann Teile der Mitarbeiter-/Kundenerfahrung identifizieren, die angenehm sind, und Teile, die verbessert werden können.
• Contact Center und Kundendienstteams können Aufzeichnungen von Bereitschaftsdiensten oder Chatprotokolle analysieren, um die Effektivität der Mitarbeiterschulung sowie Gesprächsdetails wie spezifische Reaktionen eines Kunden und Sätze oder Wörter zu ermitteln, die verwendet wurden, um diese Antwort zu erzwingen.
• Produktbesitzer und UI/UX-Entwickler können Funktionen ihres Produkts identifizieren, die den Benutzern gefallen, und Teile, die verbessert werden müssen. Dies kann Produkt-Roadmap-Diskussionen und Priorisierungen unterstützen.

Das folgende Diagramm veranschaulicht den gezielten Stimmungsprozess:

In diesem Beitrag demonstrieren wir diesen Prozess anhand der folgenden drei Beispielbewertungen:

• Beispiel 1: Geschäfts- und Produktbewertung – „Mir gefällt sehr, wie dick die Jacke ist. Ich trage eine große Jacke, weil ich breite Schultern habe und die habe ich bestellt und dort passt sie perfekt. Ich habe fast das Gefühl, es bläst sich von der Brust abwärts auf. Ich dachte, ich würde die Schnüre im unteren Teil der Jacke verwenden, um sie zu schließen und einzuziehen, aber diese funktionieren nicht. Die Jacke fühlt sich sehr klobig an.“
• Beispiel 2: Contact-Center-Transkription – „Hallo, auf meiner Kreditkarte ist eine Betrugssperre, können Sie diese für mich entfernen. Meine Kreditkarte wird immer wieder wegen Betrug gemeldet. Es ist ziemlich nervig, jedes Mal, wenn ich es benutze, werde ich abgelehnt. Ich werde die Karte kündigen, wenn das noch einmal passiert.“
• Beispiel 3: Arbeitgeber-Feedback-Umfrage – „Ich bin froh, dass das Management das Team weiterbildet. Aber der Ausbilder hat die Grundlagen nicht gut erklärt. Das Management sollte für zukünftige Sitzungen mehr Due Diligence hinsichtlich des Qualifikationsniveaus aller durchführen.“

Bereiten Sie die Daten vor

Laden Sie zunächst die Beispieldateien mit dem Beispieltext mithilfe von herunter AWS-Befehlszeilenschnittstelle (AWS CLI), indem Sie die folgenden Befehle ausführen:

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

Erstellen Sie ein Amazon Simple Storage-Service (Amazon S3)-Bucket, entpacken Sie den Ordner und laden Sie den Ordner hoch, der die drei Beispieldateien enthält. Stellen Sie sicher, dass Sie durchgehend dieselbe Region verwenden.

Sie können jetzt auf die drei Beispieltextdateien in Ihrem S3-Bucket zugreifen.

Erstellen Sie einen Auftrag in Amazon Comprehend

Nachdem Sie die Dateien in Ihren S3-Bucket hochgeladen haben, führen Sie die folgenden Schritte aus:

1. Wählen Sie in der Amazon Comprehend-Konsole aus Analysejobs im Navigationsbereich.
   
2. Auswählen Job erstellen.
   
3. Aussichten für Name und VornameGeben Sie einen Namen für Ihren Job ein.
4. Aussichten für Analysetyp, wählen Gezielte Stimmung.
5. Der Eingabedaten, geben Sie den Amazon S3-Speicherort der ts-Beispieldaten -Ordner.
6. Aussichten für Eingabeformat, wählen Ein Dokument pro Datei.

Sie können diese Konfiguration ändern, wenn sich Ihre Daten in einer einzelnen Datei befinden, die durch Zeilen getrennt ist.

7. Der Ausgabestandort, geben Sie den Amazon S3-Speicherort ein, an dem Sie die Auftragsausgabe speichern möchten.
8. Der ZugriffsberechtigungenZ. IAM-Rolle, wählen Sie eine vorhandene aus AWS Identity and Access Management and (IAM)-Rolle oder erstellen Sie eine mit Berechtigungen für den S3-Bucket.
9. Belassen Sie die anderen Optionen als Standard und wählen Sie Job erstellen.
   

Nachdem Sie den Job gestartet haben, können Sie Ihre Jobdetails überprüfen. Die Gesamtlaufzeit des Jobs hängt von der Größe der Eingabedaten ab.

10. Wenn die Arbeit abgeschlossen ist, unter Output, wählen Sie den Link zum Speicherort der Ausgabedaten.
    

Hier finden Sie eine komprimierte Ausgabedatei.

11. Laden Sie die Datei herunter und dekomprimieren Sie sie.

Sie können nun die Ausgabedateien für jeden Beispieltext überprüfen. Öffnen Sie die Dateien in Ihrem bevorzugten Texteditor, um die API-Antwortstruktur zu überprüfen. Dies beschreiben wir im nächsten Abschnitt genauer.

API-Antwortstruktur

Die Targeted Sentiment API bietet eine einfache Möglichkeit, die Ausgabe Ihrer Jobs zu nutzen. Es bietet eine logische Gruppierung der erkannten Entitäten (Entitätsgruppen) zusammen mit der Stimmung für jede Entität. Im Folgenden finden Sie einige Definitionen der Felder in der Antwort:

• Entities – Die wesentlichen Teile des Dokuments. Zum Beispiel, Person, Place, Date, Food, oder Taste.
• Erwähnungen – Die Referenzen oder Erwähnungen der Entität im Dokument. Dies können Pronomen oder gebräuchliche Substantive wie „es“, „ihn“, „Buch“ usw. sein. Diese sind im Dokument nach Position (Offset) geordnet.
• BeschreibenderErwähnungsindex – Der Index in Mentions die die Unternehmensgruppe am besten darstellt. Zum Beispiel „ABC Hotel“ anstelle von „Hotel“, „it“ oder andere gebräuchliche Substantiverwähnungen.
• Gruppenpunktzahl – Das Vertrauen, dass alle in der Gruppe erwähnten Entitäten mit derselben Entität verbunden sind (wie „ich“, „ich“ und „ich“ beziehen sich auf eine Person).
• Text – Der Text im Dokument, der die Entität darstellt
• Typ – Eine Beschreibung dessen, was die Entität darstellt.
• Score – Das Modellvertrauen, dass es sich um eine relevante Einheit handelt.
• ErwähnungGefühl – Die tatsächlich für die Erwähnung gefundene Stimmung.
• Gefühl – Der Zeichenfolgenwert von positive, neutral, negative, oder mixed.
• SentimentScore – Das Modellvertrauen für jede mögliche Stimmung.
• BeginOffset – Der Offset in den Dokumenttext, wo die Erwähnung beginnt.
• EndOffset – Die Verschiebung in den Dokumententext, wo die Erwähnung endet.

Um dies visuell zu demonstrieren, nehmen wir die Ausgabe des dritten Anwendungsfalls, der Arbeitgeber-Feedback-Umfrage, und gehen durch die Entitätsgruppen, die den Mitarbeiter darstellen, der die Umfrage ausfüllt, das Management und den Ausbilder.

Betrachten wir zunächst alle Erwähnungen der mit „I“ (dem Mitarbeiter, der die Antwort verfasst hat) verknüpften Koreferenzeinheitsgruppe und die Stelle der Erwähnung im Text. DescriptiveMentionIndex stellt Indizes der Entitätserwähnungen dar, die die Koreferenz-Entitätsgruppe am besten darstellen (in diesem Fall 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 } } } ] }

Die nächste Gruppe von Entitäten enthält alle Erwähnungen der mit dem Management verbundenen Koreferenz-Entitätsgruppe zusammen mit ihrer Position im Text. DescriptiveMentionIndex stellt Indizes der Entitätserwähnungen dar, die die Koreferenz-Entitätsgruppe am besten darstellen (in diesem Fall management). Zu beobachten ist in diesem Beispiel der Stimmungsumschwung in Richtung Management. Aus diesen Daten können Sie ableiten, welche Teile der Maßnahmen des Managements als positiv und welche als negativ empfunden wurden und daher verbessert werden können.

{ "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 } } } ] }

Betrachten wir abschließend alle Erwähnungen des Ausbilders und des Ortes im Text. DescriptiveMentionIndex stellt Indizes der Entitätserwähnungen dar, die die Koreferenz-Entitätsgruppe am besten darstellen (in diesem Fall 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 } } } ] }

Referenzarchitektur

Sie können die gezielte Stimmung auf viele Szenarien und Anwendungsfälle anwenden, um den Geschäftswert zu steigern, wie z. B. die folgenden:

• Bestimmen Sie die Wirksamkeit von Marketingkampagnen und Funktionseinführungen, indem Sie die Entitäten und Erwähnungen ermitteln, die das positivste oder negativste Feedback enthalten
• Abfrageausgabe, um festzustellen, welche Entitäten und Erwähnungen sich auf eine entsprechende Entität beziehen (positiv, negativ oder neutral)
• Analysieren Sie die Stimmung über den gesamten Lebenszyklus der Kundeninteraktion in Contact Centern, um die Wirksamkeit von Prozess- oder Schulungsänderungen nachzuweisen

Das folgende Diagramm zeigt einen End-to-End-Prozess:

Zusammenfassung

Das Verständnis der Interaktionen und des Feedbacks, das Unternehmen von Kunden zu ihren Produkten und Dienstleistungen erhalten, bleibt entscheidend für die Entwicklung besserer Produkte und Kundenerlebnisse. Daher sind detailliertere Details erforderlich, um bessere Ergebnisse abzuleiten.

In diesem Beitrag haben wir einige Beispiele dafür bereitgestellt, wie die Verwendung dieser granularen Details Unternehmen dabei helfen kann, Produkte, Kundenerlebnisse und Schulungen zu verbessern und gleichzeitig positive Eigenschaften zu fördern und zu validieren. Es gibt viele Anwendungsfälle in allen Branchen, in denen Sie mit gezielter Stimmung experimentieren und Nutzen daraus ziehen können.

Wir empfehlen Ihnen, diese neue Funktion mit Ihren Anwendungsfällen auszuprobieren. Weitere Informationen und erste Schritte finden Sie unter Gezielte Stimmung.

Über die Autoren

Raj Pathak ist Lösungsarchitekt und technischer Berater für Fortune-50- und mittelständische FSI-Kunden (Banken, Versicherungen, Kapitalmärkte) in Kanada und den Vereinigten Staaten. Raj ist spezialisiert auf maschinelles Lernen mit Anwendungen in den Bereichen Dokumentenextraktion, Contact Center Transformation und Computer Vision.

Sanjeev Pulapaka ist Senior Solutions Architect im Team der US Fed Civilian SA bei Amazon Web Services (AWS). Er arbeitet eng mit Kunden zusammen, um unternehmenskritische Lösungen zu entwickeln und zu entwerfen. Sanjeev verfügt über umfangreiche Erfahrung in der Leitung, Entwicklung und Implementierung von hochwirksamen Technologielösungen, die auf unterschiedliche Geschäftsanforderungen in mehreren Sektoren eingehen, darunter Handels-, Bundes-, Landes- und Kommunalverwaltungen. Er hat einen Bachelor-Abschluss in Ingenieurwesen vom Indian Institute of Technology und einen MBA von der University of Notre Dame.

• Coinsmart. Europas beste Bitcoin- und Krypto-Börse.
• Platoblockkette. Web3-Metaverse-Intelligenz. Wissen verstärkt. DEN FREIEN ZUGANG.
• CryptoHawk. Altcoin-Radar. Kostenlose Testphase.
• Quelle: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/