Εξάγετε αναλυτικό συναίσθημα σε κείμενο με το Amazon Comprehend Targeted Sentiment

Κατανοήστε το Amazon είναι μια υπηρεσία επεξεργασίας φυσικής γλώσσας (NLP) που χρησιμοποιεί μηχανική εκμάθηση (ML) για να ανακαλύψει πληροφορίες από κείμενο. Ως πλήρως διαχειριζόμενη υπηρεσία, το Amazon Comprehend δεν απαιτεί τεχνογνωσία ML και μπορεί να κλιμακωθεί σε μεγάλους όγκους δεδομένων. Το Amazon Comprehend παρέχει πολλά διαφορετικά APIs για να ενσωματώσετε εύκολα το NLP στις εφαρμογές σας. Μπορείτε απλώς να καλέσετε τα API στην εφαρμογή σας και να δώσετε τη θέση του εγγράφου ή του κειμένου προέλευσης. Τα API εξάγουν οντότητες, φράσεις-κλειδιά, συναίσθημα, ταξινόμηση εγγράφων και γλώσσα σε μια εύχρηστη μορφή για την εφαρμογή ή την επιχείρησή σας.

Τα API ανάλυσης συναισθήματος που παρέχονται από το Amazon Comprehend βοηθούν τις επιχειρήσεις να προσδιορίσουν το συναίσθημα ενός εγγράφου. Μπορείτε να μετρήσετε το συνολικό συναίσθημα ενός εγγράφου ως θετικό, αρνητικό, ουδέτερο ή μεικτό. Ωστόσο, για να κατανοήσουν το συναίσθημα που σχετίζεται με συγκεκριμένα προϊόντα ή επωνυμίες, οι επιχειρήσεις χρειάστηκε να χρησιμοποιήσουν εναλλακτικούς τρόπους, όπως να τεμαχίσουν το κείμενο σε λογικά τμήματα και να συναγάγουν το συναίσθημα που εκφράζεται για ένα συγκεκριμένο προϊόν.

Για να βοηθήσει στην απλοποίηση αυτής της διαδικασίας, από σήμερα, το Amazon Comprehend λανσάρει το Στοχευμένο συναίσθημα χαρακτηριστικό για ανάλυση συναισθήματος. Αυτό παρέχει τη δυνατότητα εντοπισμού ομάδων αναφορών (ομάδες συναναφοράς) που αντιστοιχούν σε μια οντότητα ή χαρακτηριστικό του πραγματικού κόσμου, παροχή του συναισθήματος που σχετίζεται με κάθε αναφορά οντότητας και παροχή της ταξινόμησης της οντότητας του πραγματικού κόσμου με βάση ένα προκαθορισμένη λίστα οντοτήτων.

Αυτή η ανάρτηση παρέχει μια επισκόπηση του πώς μπορείτε να ξεκινήσετε με το στοχευμένο συναίσθημα του Amazon Comprehend, δείχνει τι μπορείτε να κάνετε με το αποτέλεσμα και περιγράφει τρεις κοινές περιπτώσεις στοχευμένης χρήσης συναισθημάτων.

Επισκόπηση λύσεων

Το παρακάτω είναι ένα παράδειγμα στοχευμένου συναισθήματος:

Το "Spa" είναι η κύρια οντότητα, που προσδιορίζεται ως τύπος facility, και αναφέρεται άλλες δύο φορές, που αναφέρεται ως αντωνυμία «αυτό». Το Targeted Sentiment API παρέχει το συναίσθημα προς κάθε οντότητα. Το θετικό συναίσθημα είναι πράσινο, το αρνητικό είναι κόκκινο και το ουδέτερο είναι μπλε. Μπορούμε επίσης να προσδιορίσουμε πώς αλλάζει το συναίσθημα για το σπα σε όλη την πρόταση. Βουτάμε πιο βαθιά στο API αργότερα στη δημοσίευση.

Αυτή η δυνατότητα ανοίγει πολλές διαφορετικές δυνατότητες για τις επιχειρήσεις. Οι ομάδες μάρκετινγκ μπορούν να παρακολουθούν τα δημοφιλή συναισθήματα για τις επωνυμίες τους στα μέσα κοινωνικής δικτύωσης με την πάροδο του χρόνου. Οι έμποροι ηλεκτρονικού εμπορίου μπορούν να κατανοήσουν ποια συγκεκριμένα χαρακτηριστικά των προϊόντων τους έλαβαν καλύτερα και χειρότερα από τους πελάτες. Οι χειριστές τηλεφωνικών κέντρων μπορούν να χρησιμοποιήσουν τη δυνατότητα για την εξόρυξη μεταγραφών για ζητήματα κλιμάκωσης και για την παρακολούθηση της εμπειρίας των πελατών. Τα εστιατόρια, τα ξενοδοχεία και άλλοι οργανισμοί του κλάδου της φιλοξενίας μπορούν να χρησιμοποιήσουν την υπηρεσία για να μετατρέψουν τις ευρείες κατηγορίες αξιολογήσεων σε πλούσιες περιγραφές καλών και κακών εμπειριών πελατών.

Στοχευμένες περιπτώσεις χρήσης συναισθημάτων

Το Targeted Sentiment API στο Amazon Comprehend λαμβάνει ως είσοδο δεδομένα κειμένου, όπως αναρτήσεις μέσων κοινωνικής δικτύωσης, κριτικές εφαρμογών και μεταγραφές τηλεφωνικών κέντρων. Στη συνέχεια, αναλύει την είσοδο χρησιμοποιώντας τη δύναμη των αλγορίθμων NLP για να εξαγάγει αυτόματα το συναίσθημα σε επίπεδο οντότητας. Ενα οντότητα είναι μια κειμενική αναφορά στο μοναδικό όνομα ενός πραγματικού αντικειμένου, όπως άτομα, μέρη και εμπορικά αντικείμενα, εκτός από ακριβείς αναφορές σε μέτρα όπως ημερομηνίες και ποσότητες. Για μια πλήρη λίστα υποστηριζόμενων οντοτήτων, ανατρέξτε στο Στοχευμένες οντότητες συναισθημάτων.

Χρησιμοποιούμε το Targeted Sentiment API για να ενεργοποιήσουμε τις ακόλουθες περιπτώσεις χρήσης:

• Μια επιχείρηση μπορεί να εντοπίσει μέρη της εμπειρίας των εργαζομένων/πελατών που είναι ευχάριστα και μέρη που μπορούν να βελτιωθούν.
• Τα κέντρα επικοινωνίας και οι ομάδες εξυπηρέτησης πελατών μπορούν να αναλύσουν μεταγραφές εφημερίας ή αρχεία καταγραφής συνομιλιών για να προσδιορίσουν την αποτελεσματικότητα της εκπαίδευσης των αντιπροσώπων και λεπτομέρειες συνομιλίας, όπως συγκεκριμένες αντιδράσεις από έναν πελάτη και φράσεις ή λέξεις που χρησιμοποιήθηκαν για την παράνομη αυτή απάντηση.
• Οι κάτοχοι προϊόντων και οι προγραμματιστές UI/UX μπορούν να εντοπίσουν χαρακτηριστικά του προϊόντος τους που απολαμβάνουν οι χρήστες και μέρη που απαιτούν βελτίωση. Αυτό μπορεί να υποστηρίξει τις συζητήσεις για τον οδικό χάρτη προϊόντων και τις προτεραιότητες.

Το ακόλουθο διάγραμμα απεικονίζει τη στοχευμένη διαδικασία συναισθήματος:

Σε αυτήν την ανάρτηση, παρουσιάζουμε αυτήν τη διαδικασία χρησιμοποιώντας τα ακόλουθα τρία δείγματα κριτικών:

• Δείγμα 1: Επισκόπηση επιχείρησης και προϊόντος – «Μου αρέσει πολύ πόσο χοντρό είναι το σακάκι. Φοράω ένα μεγάλο σακάκι γιατί έχω φαρδιούς ώμους και αυτό παρήγγειλα και ταιριάζει τέλεια εκεί. Σχεδόν νιώθω σαν να βγαίνει με μπαλόνια από το στήθος και κάτω. Σκέφτηκα να χρησιμοποιήσω τα κορδόνια στο κάτω μέρος του σακακιού για να το κλείσω και να το φέρω μέσα, αλλά αυτά δεν λειτουργούν. Το σακάκι είναι πολύ ογκώδες.»
• Δείγμα 2: Μεταγραφή κέντρου επικοινωνίας – «Γεια σας, υπάρχει ένα μπλοκ απάτης στην πιστωτική μου κάρτα, μπορείτε να το αφαιρέσετε για μένα. Η πιστωτική μου κάρτα επισημαίνεται συνεχώς για απάτη. Είναι αρκετά ενοχλητικό, κάθε φορά που πηγαίνω να το χρησιμοποιήσω, συνεχώς με απορρίπτουν. Θα ακυρώσω την κάρτα αν συμβεί ξανά.»
• Δείγμα 3: Έρευνα ανατροφοδότησης εργοδότη – «Χαίρομαι που η διοίκηση αναβαθμίζει την ομάδα. Αλλά ο εκπαιδευτής δεν πέρασε καλά τα βασικά. Η διοίκηση θα πρέπει να κάνει περισσότερη δέουσα επιμέλεια στο επίπεδο δεξιοτήτων του καθενός για τις μελλοντικές συνεδρίες."

Προετοιμάστε τα δεδομένα

Για να ξεκινήσετε, πραγματοποιήστε λήψη των δειγμάτων αρχείων που περιέχουν το παράδειγμα κειμένου χρησιμοποιώντας το Διεπαφή γραμμής εντολών AWS (AWS CLI) εκτελώντας τις ακόλουθες εντολές:

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

Δημιουργία ενός Απλή υπηρεσία αποθήκευσης Amazon (Amazon S3), αποσυμπιέστε τον φάκελο και μεταφορτώστε τον φάκελο που περιέχει τα τρία δείγματα αρχείων. Βεβαιωθείτε ότι χρησιμοποιείτε την ίδια περιοχή σε όλη την έκταση.

Τώρα μπορείτε να αποκτήσετε πρόσβαση στα τρία δείγματα αρχείων κειμένου στον κάδο S3.

Δημιουργήστε μια θέση εργασίας στο Amazon Comprehend

Αφού ανεβάσετε τα αρχεία στον κάδο S3, ολοκληρώστε τα παρακάτω βήματα:

1. Στην κονσόλα Amazon Comprehend, επιλέξτε Εργασίες ανάλυσης στο παράθυρο πλοήγησης.
   
2. Επιλέξτε Δημιουργήστε εργασία.
   
3. Για Όνομα, εισαγάγετε ένα όνομα για την εργασία σας.
4. Για Τύπος ανάλυσης, επιλέξτε Στοχευμένο συναίσθημα.
5. Κάτω από Εισαγωγή δεδομένων, εισαγάγετε τη θέση Amazon S3 του ts-δείγμα-δεδομένα φάκελο.
6. Για Μορφή εισόδου, επιλέξτε Ένα έγγραφο ανά αρχείο.

Μπορείτε να αλλάξετε αυτήν τη διαμόρφωση εάν τα δεδομένα σας βρίσκονται σε ένα μόνο αρχείο που οριοθετείται από γραμμές.

7. Κάτω από Θέση εξόδου, εισαγάγετε τη θέση Amazon S3 όπου θέλετε να αποθηκεύσετε την έξοδο εργασίας.
8. Κάτω από Δικαιώματα πρόσβασης, Για IAM ρόλο, επιλέξτε ένα υπάρχον Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) ή δημιουργήστε ένα που έχει δικαιώματα στον κάδο S3.
9. Αφήστε τις άλλες επιλογές ως προεπιλογές και επιλέξτε Δημιουργήστε εργασία.
   

Αφού ξεκινήσετε την εργασία, μπορείτε να ελέγξετε τα στοιχεία της εργασίας σας. Ο συνολικός χρόνος εκτέλεσης της εργασίας εξαρτάται από το μέγεθος των δεδομένων εισόδου.

10. Όταν ολοκληρωθεί η εργασία, κάτω από Παραγωγή, επιλέξτε το σύνδεσμο προς τη θέση δεδομένων εξόδου.
    

Εδώ μπορείτε να βρείτε ένα συμπιεσμένο αρχείο εξόδου.

11. Κάντε λήψη και αποσυμπίεση του αρχείου.

Τώρα μπορείτε να επιθεωρήσετε τα αρχεία εξόδου για κάθε δείγμα κειμένου. Ανοίξτε τα αρχεία στο πρόγραμμα επεξεργασίας κειμένου που προτιμάτε για να ελέγξετε τη δομή απόκρισης API. Αυτό το περιγράφουμε με περισσότερες λεπτομέρειες στην επόμενη ενότητα.

Δομή απόκρισης API

Το Targeted Sentiment API παρέχει έναν απλό τρόπο κατανάλωσης της παραγωγής των εργασιών σας. Παρέχει μια λογική ομαδοποίηση των οντοτήτων (ομάδες οντοτήτων) που εντοπίστηκαν, μαζί με το συναίσθημα για κάθε οντότητα. Ακολουθούν ορισμένοι ορισμοί των πεδίων που βρίσκονται στην απάντηση:

• Φορείς – Τα σημαντικά μέρη του εγγράφου. Για παράδειγμα, Person, Place, Date, Food, ή Taste.
• Mentions – Οι αναφορές ή οι αναφορές της οντότητας στο έγγραφο. Αυτά μπορεί να είναι αντωνυμίες ή κοινά ουσιαστικά όπως "αυτό", "αυτός", "βιβλίο" και ούτω καθεξής. Αυτά είναι οργανωμένα με σειρά κατά θέση (offset) στο έγγραφο.
• DescriptiveMentionIndex – Ο δείκτης σε Mentions που δίνει την καλύτερη απεικόνιση της ομάδας οντοτήτων. Για παράδειγμα, "ABC Hotel" αντί για "hotel", "it" ή άλλες κοινές αναφορές ουσιαστικού.
• GroupScore – Η σιγουριά ότι όλες οι οντότητες που αναφέρονται στην ομάδα σχετίζονται με την ίδια οντότητα (όπως «εγώ», «εγώ» και «ο εαυτός μου» αναφέρεται σε ένα άτομο).
• Κείμενο – Το κείμενο στο έγγραφο που απεικονίζει την οντότητα
• Χαρακτηριστικά – Περιγραφή του τι απεικονίζει η οντότητα.
• Σκορ – Το μοντέλο εμπιστοσύνης ότι πρόκειται για σχετική οντότητα.
• Αναφορά συναίσθημα – Το πραγματικό συναίσθημα που βρέθηκε για την αναφορά.
• Συναίσθημα – Η τιμή συμβολοσειράς του positive, neutral, negative, ή mixed.
• SentimentScore – Το μοντέλο εμπιστοσύνης για κάθε πιθανό συναίσθημα.
• BeginOffset – Η μετατόπιση στο κείμενο του εγγράφου όπου ξεκινά η αναφορά.
• EndOffset – Η μετατόπιση στο κείμενο του εγγράφου όπου τελειώνει η αναφορά.

Για να το δείξουμε αυτό οπτικά, ας πάρουμε το αποτέλεσμα της τρίτης περίπτωσης χρήσης, την έρευνα ανατροφοδότησης εργοδότη, και ας περάσουμε στις ομάδες οντοτήτων που αντιπροσωπεύουν τον εργαζόμενο που ολοκληρώνει την έρευνα, τη διοίκηση και τον εκπαιδευτή.

Ας δούμε πρώτα όλες τις αναφορές της ομάδας οντοτήτων συναναφοράς που σχετίζεται με το "I" (ο υπάλληλος που γράφει την απάντηση) και τη θέση της αναφοράς στο κείμενο. DescriptiveMentionIndex αντιπροσωπεύει ευρετήρια της οντότητας αναφέρει που απεικονίζουν καλύτερα την ομάδα οντοτήτων συναναφοράς (σε αυτή την περίπτωση 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 } } } ] }

Η επόμενη ομάδα οντοτήτων παρέχει όλες τις αναφορές της ομάδας οντοτήτων συναναφοράς που σχετίζεται με τη διαχείριση, μαζί με τη θέση της στο κείμενο. DescriptiveMentionIndex αντιπροσωπεύει ευρετήρια της οντότητας αναφέρει που απεικονίζουν καλύτερα την ομάδα οντοτήτων συναναφοράς (σε αυτή την περίπτωση management). Κάτι που πρέπει να παρατηρήσετε σε αυτό το παράδειγμα είναι η αλλαγή συναισθήματος προς τη διαχείριση. Μπορείτε να χρησιμοποιήσετε αυτά τα δεδομένα για να συμπεράνετε ποια μέρη των ενεργειών της διοίκησης θεωρήθηκαν θετικά και ποια μέρη θεωρήθηκαν αρνητικά και επομένως μπορούν να βελτιωθούν.

{ "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 } } } ] }

Για να ολοκληρώσουμε, ας παρατηρήσουμε όλες τις αναφορές του εκπαιδευτή και της τοποθεσίας στο κείμενο. DescriptiveMentionIndex αντιπροσωπεύει ευρετήρια της οντότητας αναφέρει που απεικονίζουν καλύτερα την ομάδα οντοτήτων συναναφοράς (σε αυτή την περίπτωση 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 } } } ] }

Αρχιτεκτονική αναφοράς

Μπορείτε να εφαρμόσετε στοχευμένα συναισθήματα σε πολλά σενάρια και να χρησιμοποιήσετε περιπτώσεις για να αυξήσετε την επιχειρηματική αξία, όπως τα ακόλουθα:

• Προσδιορίστε την αποτελεσματικότητα των καμπανιών μάρκετινγκ και της κυκλοφορίας χαρακτηριστικών, εντοπίζοντας τις οντότητες και τις αναφορές που περιέχουν τα πιο θετικά ή αρνητικά σχόλια
• Έξοδος ερωτήματος για να προσδιορίσετε ποιες οντότητες και αναφορές σχετίζονται με μια αντίστοιχη οντότητα (θετική, αρνητική ή ουδέτερη)
• Αναλύστε το συναίσθημα σε όλο τον κύκλο ζωής αλληλεπίδρασης με τον πελάτη στα κέντρα επαφής για να αποδείξετε την αποτελεσματικότητα των αλλαγών διαδικασίας ή εκπαίδευσης

Το ακόλουθο διάγραμμα απεικονίζει μια διαδικασία από άκρο σε άκρο:

Συμπέρασμα

Η κατανόηση των αλληλεπιδράσεων και των σχολίων που λαμβάνουν οι οργανισμοί από τους πελάτες σχετικά με τα προϊόντα και τις υπηρεσίες τους παραμένει ζωτικής σημασίας για την ανάπτυξη καλύτερων προϊόντων και εμπειριών πελατών. Ως εκ τούτου, απαιτούνται πιο λεπτομερείς λεπτομέρειες για να συναχθούν καλύτερα αποτελέσματα.

Σε αυτήν την ανάρτηση, παρέχουμε μερικά παραδείγματα για το πώς η χρήση αυτών των λεπτομερών λεπτομερειών μπορεί να βοηθήσει τους οργανισμούς να βελτιώσουν τα προϊόντα, τις εμπειρίες των πελατών και την εκπαίδευση, ενώ παράλληλα δίνουν κίνητρα και επικυρώνουν θετικά χαρακτηριστικά. Υπάρχουν πολλές περιπτώσεις χρήσης σε όλους τους κλάδους όπου μπορείτε να πειραματιστείτε και να κερδίσετε αξία από το στοχευμένο συναίσθημα.

Σας ενθαρρύνουμε να δοκιμάσετε αυτή τη νέα δυνατότητα με τις θήκες χρήσης σας. Για περισσότερες πληροφορίες και για να ξεκινήσετε, ανατρέξτε στο Στοχευμένο συναίσθημα.

Σχετικά με τους Συγγραφείς

Raj Pathak είναι αρχιτέκτονας λύσεων και τεχνικός σύμβουλος πελατών του Fortune 50 και μεσαίου μεγέθους FSI (Τράπεζες, Ασφάλειες, Κεφαλαιαγορές) σε όλο τον Καναδά και τις Ηνωμένες Πολιτείες. Η Raj ειδικεύεται στη Μηχανική Εκμάθηση με εφαρμογές στην Εξαγωγή Εγγράφων, στον Μετασχηματισμό Κέντρου Επαφής και στην Όραση Υπολογιστών.

Sanjeev Pulapaka είναι Senior Solutions Architect στην ομάδα US Fed Civilian SA στην Amazon Web Services (AWS). Συνεργάζεται στενά με πελάτες στην κατασκευή και την αρχιτεκτονική κρίσιμων λύσεων. Ο Sanjeev έχει εκτεταμένη εμπειρία στην ηγεσία, την αρχιτεκτονική και την εφαρμογή λύσεων τεχνολογίας υψηλού αντίκτυπου που καλύπτουν διαφορετικές επιχειρηματικές ανάγκες σε πολλούς τομείς, συμπεριλαμβανομένων των εμπορικών, ομοσπονδιακών, πολιτειακών και τοπικών κυβερνήσεων. Έχει πτυχίο μηχανικού από το Ινδικό Ινστιτούτο Τεχνολογίας και MBA από το Πανεπιστήμιο της Notre Dame.

• Coinsmart. Το καλύτερο ανταλλακτήριο Bitcoin και Crypto στην Ευρώπη.
• Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. ΕΛΕΥΘΕΡΗ ΠΡΟΣΒΑΣΗ.
• CryptoHawk. Ραντάρ Altcoin. Δωρεάν δοκιμή.
• Πηγή: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/