Extraiga opiniones granulares en texto con Amazon Comprehend Targeted Sentiment

Amazon Comprehend es un servicio de procesamiento de lenguaje natural (NLP) que utiliza el aprendizaje automático (ML) para descubrir información del texto. Como servicio completamente administrado, Amazon Comprehend no requiere experiencia en ML y puede escalar a grandes volúmenes de datos. Amazon Comprehend proporciona varios API para integrar fácilmente la PNL en sus aplicaciones. Simplemente puede llamar a las API en su aplicación y proporcionar la ubicación del documento o texto de origen. Las API generan entidades, frases clave, opiniones, clasificación de documentos e idioma en un formato fácil de usar para su aplicación o negocio.

Las API de análisis de opinión proporcionadas por Amazon Comprehend ayudan a las empresas a determinar la opinión de un documento. Puede medir el sentimiento general de un documento como positivo, negativo, neutral o mixto. Sin embargo, para obtener la granularidad de comprender el sentimiento asociado con productos o marcas específicos, las empresas han tenido que emplear soluciones como dividir el texto en bloques lógicos e inferir el sentimiento expresado hacia un producto específico.

Para ayudar a simplificar este proceso, a partir de hoy, Amazon Comprehend lanza el Sentimiento dirigido característica para el análisis de sentimientos. Esto brinda la capacidad de identificar grupos de menciones (grupos de co-referencia) correspondientes a una única entidad o atributo del mundo real, proporcionar el sentimiento asociado con cada mención de entidad y proporcionar la clasificación de la entidad del mundo real basada en un lista predeterminada de entidades.

Esta publicación proporciona una descripción general de cómo puede comenzar con el sentimiento dirigido de Amazon Comprehend, demuestra lo que puede hacer con la salida y recorre tres casos de uso comunes del sentimiento dirigido.

Resumen de la solución

El siguiente es un ejemplo de sentimiento dirigido:

“Spa” es la entidad primaria, identificada como tipo facility, y se menciona dos veces más, referido como el pronombre "eso". La API de opinión dirigida proporciona la opinión hacia cada entidad. El sentimiento positivo es verde, el negativo es rojo y el neutral es azul. También podemos determinar cómo cambia el sentimiento hacia el spa a lo largo de la oración. Profundizamos más en la API más adelante en la publicación.

Esta capacidad abre varias capacidades diferentes para las empresas. Los equipos de marketing pueden rastrear los sentimientos populares hacia sus marcas en las redes sociales a lo largo del tiempo. Los comerciantes de comercio electrónico pueden comprender qué atributos específicos de sus productos fueron mejor y peor recibidos por los clientes. Los operadores del centro de llamadas pueden usar la función para extraer transcripciones de problemas de escalamiento y monitorear la experiencia del cliente. Los restaurantes, hoteles y otras organizaciones de la industria hotelera pueden utilizar el servicio para convertir amplias categorías de calificaciones en descripciones detalladas de las buenas y malas experiencias de los clientes.

Casos de uso de sentimientos dirigidos

La API Targeted Sentiment de Amazon Comprehend toma como entrada datos de texto, como publicaciones en redes sociales, revisiones de aplicaciones y transcripciones del centro de llamadas. Luego analiza la entrada utilizando el poder de los algoritmos NLP para extraer automáticamente el sentimiento a nivel de entidad. Un entidad es una referencia textual al nombre único de un objeto del mundo real, como personas, lugares y artículos comerciales, además de referencias precisas a medidas como fechas y cantidades. Para obtener una lista completa de las entidades admitidas, consulte Entidades de opinión objetivo.

Usamos la API de sentimiento objetivo para habilitar los siguientes casos de uso:

• Una empresa puede identificar partes de la experiencia del empleado/cliente que son agradables y partes que pueden mejorarse.
• Los centros de contacto y los equipos de atención al cliente pueden analizar las transcripciones de las llamadas o los registros de chat para identificar la efectividad de la capacitación de los agentes y los detalles de la conversación, como las reacciones específicas de un cliente y las frases o palabras que se usaron para obtener esa respuesta.
• Los propietarios de productos y los desarrolladores de UI/UX pueden identificar las características de su producto que los usuarios disfrutan y las partes que requieren mejoras. Esto puede respaldar las discusiones y priorizaciones de la hoja de ruta del producto.

El siguiente diagrama ilustra el proceso de opinión objetivo:

En esta publicación, demostramos este proceso utilizando las siguientes tres revisiones de muestra:

• Ejemplo 1: revisión de negocios y productos – “Me gusta mucho lo gruesa que es la chaqueta. Llevo una chaqueta grande porque tengo los hombros anchos y eso es lo que pedí y me queda perfecto allí. Casi siento que se hincha desde el pecho hacia abajo. Pensé que usaría las cuerdas en la parte inferior de la chaqueta para ayudar a cerrarla y traerla, pero eso no funciona. La chaqueta se siente muy voluminosa”.
• Ejemplo 2: Transcripción del centro de contacto – “Hola, hay un bloqueo de fraude en mi tarjeta de crédito, ¿me lo pueden quitar? Mi tarjeta de crédito sigue siendo marcada por fraude. Es bastante molesto, cada vez que voy a usarlo, me siguen rechazando. Voy a cancelar la tarjeta si esto vuelve a suceder”.
• Muestra 3: Encuesta de retroalimentación del empleador – “Me alegra que la gerencia esté capacitando al equipo. Pero el instructor no repasó bien los conceptos básicos. La gerencia debería hacer más la debida diligencia en el nivel de habilidad de todos para sesiones futuras”.

Prepara los datos

Para comenzar, descargue los archivos de muestra que contienen el texto de ejemplo usando el Interfaz de línea de comandos de AWS (AWS CLI) ejecutando los siguientes comandos:

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

Crear una Servicio de almacenamiento simple de Amazon (Amazon S3), descomprima la carpeta y cargue la carpeta que contiene los tres archivos de muestra. Asegúrese de estar usando la misma región en todo momento.

Ahora puede acceder a los tres archivos de texto de muestra en su depósito S3.

Crear un trabajo en Amazon Comprehend

Después de cargar los archivos en su depósito S3, complete los siguientes pasos:

1. En la consola de Amazon Comprehend, elija Trabajos de análisis en el panel de navegación.
   
2. Elige Crear trabajo.
   
3. Nombre, ingrese un nombre para su trabajo.
4. Tipo de análisis, escoger Sentimiento objetivo.
5. under Datos de entrada, ingrese la ubicación de Amazon S3 del ts-muestra-datos carpeta.
6. Formato de entrada, escoger Un documento por expediente.

Puede cambiar esta configuración si sus datos están en un solo archivo delimitado por líneas.

7. under Ubicación de salida, ingrese la ubicación de Amazon S3 donde desea guardar la salida del trabajo.
8. under Permisos de acceso, Para Rol de IAM, elija uno existente Gestión de identidades y accesos de AWS (IAM) o cree uno que tenga permisos para el depósito de S3.
9. Deje las otras opciones por defecto y elija Crear trabajo.
   

Después de comenzar el trabajo, puede revisar los detalles de su trabajo. El tiempo total de ejecución del trabajo depende del tamaño de los datos de entrada.

10. Cuando el trabajo esté completo, bajo Salida, elija el enlace a la ubicación de los datos de salida.
    

Aquí puede encontrar un archivo de salida comprimido.

11. Descarga y descomprime el archivo.

Ahora puede inspeccionar los archivos de salida para cada texto de muestra. Abra los archivos en su editor de texto preferido para revisar la estructura de respuesta de la API. Describimos esto con más detalle en la siguiente sección.

Estructura de respuesta de la API

La API de opinión dirigida proporciona una forma sencilla de consumir el resultado de sus trabajos. Proporciona una agrupación lógica de las entidades (grupos de entidades) detectadas, junto con el sentimiento de cada entidad. Las siguientes son algunas definiciones de los campos que se encuentran en la respuesta:

• Entidades – Las partes significativas del documento. Por ejemplo, Person, Place, Date, Foodo Taste.
• Menciones – Las referencias o menciones de la entidad en el documento. Estos pueden ser pronombres o sustantivos comunes como "eso", "él", "libro", etc. Estos se organizan en orden por ubicación (desplazamiento) en el documento.
• Índice de menciones descriptivas – El índice en Mentions que ofrece la mejor representación del grupo de entidades. Por ejemplo, "Hotel ABC" en lugar de "hotel", "eso" u otras menciones de sustantivos comunes.
• Puntuación del grupo – La confianza de que todas las entidades mencionadas en el grupo están relacionadas con la misma entidad (como “yo”, “mí” y “mí mismo” se refieren a una persona).
• Texto – El texto en el documento que representa a la entidad
• Tipo de Propiedad – Una descripción de lo que representa la entidad.
• Puntuación – La confianza del modelo en que se trata de una entidad relevante.
• Mención Sentimiento – El sentimiento real encontrado para la mención.
• Sentimientos – El valor de cadena de positive, neutral, negativeo mixed.
• Puntuación de sentimiento – La confianza del modelo para cada sentimiento posible.
• Comenzar desplazamiento – El desplazamiento en el texto del documento donde comienza la mención.
• Desplazamiento final – El desplazamiento en el texto del documento donde termina la mención.

Para demostrar esto visualmente, tomemos el resultado del tercer caso de uso, la encuesta de retroalimentación del empleador, y recorramos los grupos de entidades que representan al empleado que completa la encuesta, la gerencia y el instructor.

Primero veamos todas las menciones del grupo de entidades de co-referencia asociado con "I" (el empleado que escribe la respuesta) y la ubicación de la mención en el texto. DescriptiveMentionIndex representa índices de las menciones de entidades que mejor representan el grupo de entidades de correferencia (en este caso 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 } } } ] }

El siguiente grupo de entidades proporciona todas las menciones del grupo de entidades de correferencia asociado con la gestión, junto con su ubicación en el texto. DescriptiveMentionIndex representa índices de las menciones de entidades que mejor representan el grupo de entidades de correferencia (en este caso management). Algo a observar en este ejemplo es el cambio de sentimiento hacia la gestión. Puede usar estos datos para inferir qué partes de las acciones de la gerencia se percibieron como positivas y qué partes se percibieron como negativas y, por lo tanto, se pueden mejorar.

{ "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 } } } ] }

Para concluir, observemos todas las menciones del instructor y la ubicación en el texto. DescriptiveMentionIndex representa índices de las menciones de entidades que mejor representan el grupo de entidades de correferencia (en este caso 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 } } } ] }

Arquitectura de referencia

Puede aplicar opiniones específicas a muchos escenarios y casos de uso para impulsar el valor empresarial, como los siguientes:

• Determine la eficacia de las campañas de marketing y los lanzamientos de funciones al detectar las entidades y menciones que contienen la mayor cantidad de comentarios positivos o negativos.
• Salida de consulta para determinar qué entidades y menciones se relacionan con una entidad correspondiente (positiva, negativa o neutral)
• Analice el sentimiento a lo largo del ciclo de vida de la interacción con el cliente en los centros de contacto para demostrar la eficacia de los cambios en el proceso o la capacitación

El siguiente diagrama muestra un proceso de extremo a extremo:

Conclusión

Comprender las interacciones y los comentarios que las organizaciones reciben de los clientes sobre sus productos y servicios sigue siendo crucial para desarrollar mejores productos y experiencias para los clientes. Como tal, se requieren detalles más granulares para inferir mejores resultados.

En esta publicación, brindamos algunos ejemplos de cómo el uso de estos detalles granulares puede ayudar a las organizaciones a mejorar los productos, las experiencias de los clientes y la capacitación, al mismo tiempo que incentiva y valida los atributos positivos. Hay muchos casos de uso en todas las industrias en los que puede experimentar y obtener valor del sentimiento objetivo.

Le recomendamos que pruebe esta nueva característica con sus casos de uso. Para obtener más información y comenzar, consulte Sentimiento dirigido.

Acerca de los autores

Raj Pathak es Arquitecto de Soluciones y asesor técnico para clientes de Fortune 50 y FSI (Banca, Seguros, Mercados de Capital) de tamaño mediano en Canadá y Estados Unidos. Raj se especializa en aprendizaje automático con aplicaciones en extracción de documentos, transformación de centros de contacto y visión artificial.

Sanjeev Pulápaca es Arquitecto de Soluciones Sénior en el equipo de SA Civil de la Reserva Federal de EE. UU. en Amazon Web Services (AWS). Trabaja en estrecha colaboración con los clientes en la construcción y arquitectura de soluciones de misión crítica. Sanjeev tiene una amplia experiencia en el liderazgo, la arquitectura y la implementación de soluciones tecnológicas de alto impacto que abordan diversas necesidades comerciales en múltiples sectores, incluidos los gobiernos comercial, federal, estatal y local. Tiene una licenciatura en ingeniería del Instituto Indio de Tecnología y un MBA de la Universidad de Notre Dame.

• Coinsmart. El mejor intercambio de Bitcoin y criptografía de Europa.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. ACCESO LIBRE.
• CriptoHawk. Radar de altcoins. Prueba gratis.
• Fuente: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/