Rakenduse Amazon Comprehend Targeted Sentiment eraldage tekstist üksikasjalikud tunded

Amazoni mõistmine on loomuliku keele töötlemise (NLP) teenus, mis kasutab tekstist arusaamade leidmiseks masinõpet (ML). Täielikult hallatava teenusena ei vaja Amazon Comprehend ML-teadmisi ja seda saab skaleerida suure andmemahuni. Amazon Comprehend pakub mitmeid erinevaid API-liidesed NLP hõlpsaks integreerimiseks oma rakendustesse. Saate lihtsalt helistada oma rakenduses olevatele API-dele ja esitada lähtedokumendi või teksti asukoha. API-d väljastavad üksusi, võtmefraase, tundeid, dokumentide klassifikatsiooni ja keelt teie rakenduse või ettevõtte jaoks hõlpsasti kasutatavas vormingus.

Amazon Comprehendi pakutavad sentimentanalüüsi API-liidesed aitavad ettevõtetel määrata dokumendi meeleolu. Saate hinnata dokumendi üldist meeleolu positiivseks, negatiivseks, neutraalseks või segaseks. Konkreetsete toodete või kaubamärkidega seotud arvamuste täpsemaks mõistmiseks on ettevõtted aga pidanud kasutama lahendusi, nagu teksti tükeldamine loogilisteks plokkideks ja konkreetse toote suhtes väljendatud sentimendi järeldamine.

Selle protsessi lihtsustamiseks käivitab Amazon Comprehend alates tänasest selle Sihitud sentiment funktsioon tunnete analüüsiks. See võimaldab tuvastada mainimisrühmi (kaasviiterühmad), mis vastavad ühele reaalse maailma olemile või atribuudile, esitada iga olemi mainimisega seotud sentimenti ja pakkuda reaalse maailma olemi klassifikatsiooni, mis põhineb eelnevalt kindlaks määratud üksuste loend.

See postitus annab ülevaate sellest, kuidas saate alustada Amazon Comprehendi sihitud meeleoluga, demonstreerib, mida saate väljundiga teha, ja tutvustab kolme levinumat sihitud meeleolu kasutamise juhtumit.

Lahenduse ülevaade

Järgmine on näide suunatud meeleolust:

„Spa” on tüübina määratletud esmane üksus facility, ja seda mainitakse veel kaks korda, millele viidatakse kui asesõnale "see". Targeted Sentiment API pakub iga olemi suhtes arvamust. Positiivne meeleolu on roheline, negatiivne on punane ja neutraalne on sinine. Samuti saame määrata, kuidas suhtumine spaasse lause jooksul muutub. Sukeldume API-sse sügavamale postituses hiljem.

See võimalus avab ettevõtetele mitmeid erinevaid võimalusi. Turundusmeeskonnad saavad aja jooksul jälgida sotsiaalmeedias populaarseid tundeid oma kaubamärkide suhtes. Poodkaupmehed saavad aru, millised nende toodete konkreetsed atribuudid pälvisid kliendid kõige paremini ja kõige halvemini. Kõnekeskuse operaatorid saavad seda funktsiooni kasutada eskalatsiooniprobleemide transkriptsioonide kaevandamiseks ja kliendikogemuse jälgimiseks. Restoranid, hotellid ja muud hotellindussektori organisatsioonid saavad teenust kasutada, et muuta laiad reitingukategooriad rikkalikeks heade ja halbade kliendikogemuste kirjeldusteks.

Sihitud sentimentide kasutamise juhtumid

Amazon Comprehendi Targeted Sentiment API võtab sisendina tekstiandmeid, nagu sotsiaalmeedia postitused, rakenduste ülevaated ja kõnekeskuse transkriptsioonid. Seejärel analüüsib see sisendit, kasutades NLP-algoritmide võimsust, et ekstraktida automaatselt olemi tasemel sentiment. An üksus on tekstiline viide reaalse maailma objekti unikaalsele nimele, nagu inimesed, kohad ja kaubaartiklid, lisaks täpsetele viidetele mõõtmistele, nagu kuupäevad ja kogused. Toetatud üksuste täieliku loendi leiate aadressilt Sihitud meeleoluüksused.

Kasutame Targeted Sentiment API-t järgmiste kasutusjuhtude lubamiseks:

• Ettevõte saab tuvastada töötaja/kliendi kogemuse osad, mis on nauditavad, ja osad, mida saab täiustada.
• Kontaktkeskused ja klienditeenindusmeeskonnad saavad analüüsida valveülesannete transkriptsioone või vestlusloge, et tuvastada agentide koolituse tõhusust, ja vestluste üksikasju, nagu kliendi konkreetsed reaktsioonid ja fraasid või sõnad, mida selle vastuse keelamiseks kasutati.
• Tooteomanikud ja kasutajaliidese/UX-i arendajad saavad tuvastada oma toote funktsioonid, mis kasutajatele meeldivad, ja täiustamist vajavad osad. See võib toetada toote tegevuskava arutelusid ja prioriteetide seadmist.

Järgmine diagramm illustreerib sihipärast sentimenti protsessi:

Selles postituses demonstreerime seda protsessi järgmise kolme näidisülevaate abil:

• Näidis 1: ettevõtte ja toote ülevaade – „Mulle väga meeldib, kui paks jope on. Ma kannan suurt jopet, kuna mul on laiad õlad ja see on see, mida ma tellisin ja see sobib sinna ideaalselt. Mul on peaaegu tunne, nagu see õhupallid rinnast allapoole lendaks. Mõtlesin, et kasutan jope allosas olevaid nööre, et see sulgeda ja sisse tuua, aga need ei tööta. Jope tundub väga mahukas.”
• Näidis 2: kontaktkeskuse transkriptsioon – „Tere, minu krediitkaardil on pettuse blokeering, kas saate selle minu eest eemaldada. Minu krediitkaarti märgitakse pidevalt pettuse eest. See on üsna tüütu, iga kord, kui ma seda kasutama lähen, lükatakse mind tagasi. Kui see juhtub uuesti, tühistan kaardi.
• 3. näidis: tööandjate tagasiside küsitlus – „Mul on hea meel, et juhtkond tõstab meeskonna oskusi. Kuid juhendaja ei läinud põhitõdedest hästi läbi. Juhtkond peaks tulevaste seansside jaoks kõigi oskuste taseme osas rohkem hoolt kandma.

Valmistage andmed ette

Alustuseks laadige alla näidisteksti sisaldavad näidisfailid, kasutades AWS-i käsurea liides (AWS CLI), käivitades järgmised käsud:

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

Loo Amazoni lihtne salvestusteenus (Amazon S3) ämbrisse, pakkige kaust lahti ja laadige üles kolme näidisfaili sisaldav kaust. Veenduge, et kasutaksite kogu ulatuses sama piirkonda.

Nüüd pääsete juurde oma S3 ämbris olevale kolmele näidistekstifailile.

Looge Amazon Comprehendis töökoht

Pärast failide S3 ämbrisse üleslaadimist toimige järgmiselt.

1. Amazon Comprehendi konsoolil valige Analüüsitööd navigeerimispaanil.
   
2. Vali Loo töökoht.
   
3. eest Nimi, sisestage oma töö nimi.
4. eest Analüüsi tüüp, vali Sihitud sentiment.
5. alla Sisendandmed, sisestage Amazon S3 asukoht ts-sample-data kausta.
6. eest Sisendvorming, vali Üks dokument faili kohta.

Saate seda konfiguratsiooni muuta, kui teie andmed on ühes joontega eraldatud failis.

7. alla Väljundi asukoht, sisestage Amazon S3 asukoht, kuhu soovite töö väljundi salvestada.
8. alla JuurdepääsuõigusedJaoks IAM roll, valige olemasolev AWS-i identiteedi- ja juurdepääsuhaldus (IAM) rolli või looge see, millel on S3 ämbri õigused.
9. Jätke muud valikud vaikevalikuks ja valige Loo töökoht.
   

Pärast töö alustamist saate oma töö üksikasjad üle vaadata. Töö kogutööaeg sõltub sisendandmete suurusest.

10. Kui töö on lõpetatud, all Väljund, valige link väljundandmete asukohale.
    

Siit leiate tihendatud väljundfaili.

11. Laadige fail alla ja pakkige lahti.

Nüüd saate kontrollida iga näidisteksti väljundfaile. API vastuse struktuuri ülevaatamiseks avage failid eelistatud tekstiredaktoris. Kirjeldame seda üksikasjalikumalt järgmises jaotises.

API vastuse struktuur

Targeted Sentiment API pakub lihtsat viisi oma tööde väljundi tarbimiseks. See pakub tuvastatud olemite (olemirühmade) loogilist rühmitamist koos iga olemi meeleoluga. Järgmised on mõned vastuses olevate väljade määratlused.

• Üksused – Dokumendi olulised osad. Näiteks, Person, Place, Date, Foodvõi Taste.
• Nimetab – Viited või viited dokumendis olevale üksusele. Need võivad olla asesõnad või tavalised nimisõnad, nagu "see", "tema", "raamat" jne. Need on dokumendis järjestatud asukoha järgi (nihe).
• DescriptiveMentionIndex – Indeks sees Mentions mis annab olemirühma parima ülevaate. Näiteks "ABC Hotell" asemel "hotell", "it" või muud levinud nimisõna mainimised.
• Group Score – Usaldus, et kõik rühmas mainitud olemid on seotud sama üksusega (nt "mina", "mina" ja "mina" viitavad ühele isikule).
• Tekst – olemit kujutav tekst dokumendis
• KASUTUSALA – olemi kujutatava kirjeldus.
• Punktisumma – Mudeli kindlustunne, et see on asjakohane üksus.
• Mainige Sentiment – Mainimise kohta leitud tegelik sentiment.
• Tunne – stringi väärtus positive, neutral, negativevõi mixed.
• SentimentScore – mudeli usaldus iga võimaliku sentimendi jaoks.
• Algnihe – nihe dokumendi tekstis, kus mainimine algab.
• EndOffset – nihe dokumendi tekstis, kus mainimine lõpeb.

Selle visuaalseks demonstreerimiseks võtame kolmanda kasutusjuhtumi, tööandja tagasiside küsitluse väljundi ja käime läbi olemirühmad, mis esindavad uuringut täitvat töötajat, juhtkonda ja juhendajat.

Vaatame esmalt kõiki „mina”-ga (vastust kirjutav töötaja) seotud kaasreferentsolemirühma mainimisi ja mainimise asukohta tekstis. DescriptiveMentionIndex esindab olemi mainimiste indekseid, mis kõige paremini kujutavad kaasreferentsolemi rühma (antud juhul 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 } } } ] }

Järgmine olemirühm sisaldab kõiki haldusega seotud kaasreferentsolemirühma mainimisi koos selle asukohaga tekstis. DescriptiveMentionIndex esindab olemi mainimiste indekseid, mis kõige paremini kujutavad kaasreferentsolemi rühma (antud juhul management). Midagi, mida selles näites jälgida, on sentimendi nihkumine juhtimise suunas. Nende andmete põhjal saate järeldada, milliseid juhtkonna tegevuste osi peeti positiivseks ja milliseid negatiivseks ning seetõttu saab neid paremaks muuta.

{ "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 } } } ] }

Lõpetuseks jälgime kõiki juhendaja ja asukoha mainimisi tekstis. DescriptiveMentionIndex esindab olemi mainimiste indekseid, mis kõige paremini kujutavad kaasreferentsolemi rühma (antud juhul 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 } } } ] }

Viitearhitektuur

Saate rakendada sihitud suhtumist paljudele stsenaariumidele ja kasutada äriväärtuse suurendamiseks juhtumeid, näiteks järgmisi:

• Tehke kindlaks turunduskampaaniate ja funktsioonide käivitamise tõhusus, tuvastades üksused ja mainimised, mis sisaldavad kõige positiivsemat või negatiivsemat tagasisidet
• Päringu väljund, et määrata, millised olemid ja mainimised on vastava olemiga seotud (positiivsed, negatiivsed või neutraalsed)
• Analüüsige kontaktikeskustes suhtumist kliendi suhtluse elutsükli jooksul, et näidata protsesside või koolituste muudatuste tõhusust

Järgmine diagramm kujutab täielikku protsessi:

Järeldus

Paremate toodete ja kliendikogemuste väljatöötamisel on jätkuvalt oluline mõista, kuidas organisatsioonid saavad klientidelt oma toodete ja teenuste kohta suhtlemist ja tagasisidet. Seetõttu on paremate tulemuste järeldamiseks vaja üksikasjalikumaid üksikasju.

Selles postituses esitasime mõned näited selle kohta, kuidas nende üksikasjalike üksikasjade kasutamine võib aidata organisatsioonidel tooteid, kliendikogemusi ja koolitust täiustada, motiveerides ja kinnitades samal ajal positiivseid omadusi. Tööstusharudes on palju kasutusjuhtumeid, kus saate katsetada sihitud meeleolu ja sellest kasu saada.

Soovitame teil seda uut funktsiooni oma kasutusjuhtudega proovida. Lisateabe saamiseks ja alustamiseks vaadake Sihitud sentiment.

Autoritest

Raj Pathak on lahenduste arhitekt ja tehniline nõustaja Fortune 50 ja keskmise suurusega FSI (pangandus, kindlustus, kapitaliturud) klientidele kogu Kanadas ja Ameerika Ühendriikides. Raj on spetsialiseerunud masinõppele koos dokumentide ekstraktimise, kontaktkeskuse teisendamise ja arvutinägemise rakendustega.

Sanjeev Pulapaka on Amazon Web Servicesi (AWS) USA Fed Civilian SA meeskonna vanemlahenduste arhitekt. Ta teeb tihedat koostööd klientidega missioonikriitiliste lahenduste ehitamisel ja kavandamisel. Sanjeevil on laialdased kogemused suure mõjuga tehnoloogiliste lahenduste juhtimisel, kavandamisel ja rakendamisel, mis vastavad erinevatele ärivajadustele mitmes sektoris, sealhulgas äri-, föderaal-, osariigi- ja kohalikes omavalitsustes. Tal on bakalaureusekraad inseneri erialal India Tehnoloogiainstituudist ja MBA kraad Notre Dame'i ülikoolist.

• Münditark. Euroopa parim Bitcoini ja krüptobörs.
• Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. TASUTA PÄÄS.
• CryptoHawk. Altcoini radar. Tasuta prooviversioon.
• Allikas: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/