با Amazon Comprehend Targeted Sentiment احساسات گرانول را در متن استخراج کنید

درک آمازون یک سرویس پردازش زبان طبیعی (NLP) است که از یادگیری ماشینی (ML) برای کشف بینش از متن استفاده می کند. به عنوان یک سرویس کاملاً مدیریت شده، Amazon Comprehend نیازی به تخصص ML ندارد و می تواند به حجم زیادی از داده ها مقیاس کند. آمازون Comprehend چندین مختلف را ارائه می دهد رابط های برنامه کاربردی به راحتی NLP را در برنامه های خود ادغام کنید. شما به سادگی می توانید API های موجود در برنامه خود را فراخوانی کنید و محل سند منبع یا متن را ارائه دهید. APIها موجودیت‌های خروجی، عبارات کلیدی، احساسات، طبقه‌بندی اسناد و زبان را در قالبی آسان برای برنامه یا کسب‌وکار شما ارائه می‌دهند.

API های تجزیه و تحلیل احساسات ارائه شده توسط آمازون Comprehend به کسب و کارها کمک می کند تا احساسات یک سند را تعیین کنند. شما می توانید احساس کلی یک سند را مثبت، منفی، خنثی یا مختلط ارزیابی کنید. با این حال، برای درک دقیق احساسات مرتبط با محصولات یا مارک‌های خاص، کسب‌وکارها باید راه‌حل‌هایی مانند خرد کردن متن به بلوک‌های منطقی و استنباط احساسات ابراز شده نسبت به یک محصول خاص را به کار بگیرند.

برای کمک به ساده سازی این فرآیند، از امروز آمازون Comprehend در حال راه اندازی است احساسات هدفمند ویژگی برای تجزیه و تحلیل احساسات این امکان را فراهم می‌کند تا گروه‌هایی از اشاره‌ها (گروه‌های مرجع مشترک) مربوط به یک موجودیت یا ویژگی در دنیای واقعی را شناسایی کند، احساسات مرتبط با هر ذکر موجودیت را ارائه دهد، و طبقه‌بندی موجودیت دنیای واقعی را بر اساس لیست از پیش تعیین شده نهادها.

این پست یک نمای کلی از نحوه شروع به کار با احساسات هدفمند Amazon Comprehend ارائه می دهد، نشان می دهد که با خروجی چه کاری می توانید انجام دهید، و سه مورد رایج استفاده از احساسات هدفمند را بررسی می کند.

بررسی اجمالی راه حل

نمونه زیر نمونه ای از احساسات هدفمند است:

"Spa" موجودیت اولیه است که به عنوان نوع شناخته می شود facilityو دو بار دیگر به ضمیر «آن» یاد شده است. Targeted Sentiment API احساسات نسبت به هر موجودیت را فراهم می کند. احساسات مثبت سبز، منفی قرمز و خنثی آبی است. ما همچنین می توانیم تعیین کنیم که چگونه احساسات نسبت به آبگرم در طول جمله تغییر می کند. بعداً در پست عمیق‌تر به API می‌پردازیم.

این قابلیت چندین قابلیت مختلف را برای کسب و کارها باز می کند. تیم‌های بازاریابی می‌توانند در طول زمان احساسات محبوب نسبت به برندهای خود را در رسانه‌های اجتماعی دنبال کنند. بازرگانان تجارت الکترونیک می‌توانند بفهمند که کدام ویژگی‌های خاص محصولاتشان بهترین و بدترین دریافت را توسط مشتریان داشته است. اپراتورهای مرکز تماس می توانند از این ویژگی برای استخراج رونوشت ها برای مشکلات تشدید و نظارت بر تجربه مشتری استفاده کنند. رستوران‌ها، هتل‌ها و سایر سازمان‌های صنعت مهمان‌نوازی می‌توانند از این سرویس برای تبدیل دسته‌های رتبه‌بندی گسترده به توصیف‌های غنی از تجربیات خوب و بد مشتری استفاده کنند.

موارد استفاده هدفمند از احساسات

Targeted Sentiment API در Amazon Comprehend داده‌های متنی مانند پست‌های رسانه‌های اجتماعی، بررسی برنامه‌ها و رونوشت‌های مرکز تماس را به عنوان ورودی دریافت می‌کند. سپس ورودی را با استفاده از قدرت الگوریتم های NLP تجزیه و تحلیل می کند تا احساسات سطح موجودیت را به طور خودکار استخراج کند. یک موجودیت یک اشاره متنی به نام منحصر به فرد یک شی در دنیای واقعی، مانند افراد، مکان ها، و اقلام تجاری، علاوه بر ارجاعات دقیق به معیارهایی مانند تاریخ و مقدار است. برای لیست کامل موجودیت های پشتیبانی شده، مراجعه کنید نهادهای احساسات هدفمند.

ما از Targeted Sentiment API برای فعال کردن موارد استفاده زیر استفاده می کنیم:

• یک کسب‌وکار می‌تواند بخش‌هایی از تجربه کارمند/مشتری را که لذت‌بخش است و بخش‌هایی را که ممکن است بهبود یابد، شناسایی کند.
• مراکز تماس و تیم‌های خدمات مشتری می‌توانند رونویسی‌های حین تماس یا گزارش‌های چت را برای شناسایی اثربخشی آموزش نماینده و جزئیات مکالمه مانند واکنش‌های خاص مشتری و عبارات یا کلماتی که برای غیرقانونی کردن آن پاسخ استفاده شده‌اند، تجزیه و تحلیل کنند.
• صاحبان محصول و توسعه دهندگان UI/UX می توانند ویژگی های محصول خود را که کاربران از آن لذت می برند و بخش هایی که نیاز به بهبود دارند را شناسایی کنند. این می تواند از بحث های نقشه راه محصول و اولویت بندی ها پشتیبانی کند.

نمودار زیر فرآیند احساسات هدفمند را نشان می دهد:

در این پست، ما این فرآیند را با استفاده از سه نمونه بررسی زیر نشان می‌دهیم:

• نمونه 1: بررسی کسب و کار و محصول - "من واقعاً دوست دارم کت ضخیم باشد. من یک ژاکت بزرگ می پوشم زیرا شانه های پهنی دارم و این همان چیزی است که سفارش دادم و کاملاً به آنجا می آید. تقریباً احساس می کنم از سینه به پایین بالن بیرون می آید. فکر کردم از رشته‌های پایین ژاکت برای بستن و آوردن آن استفاده کنم، اما اینها کار نمی‌کنند. کت بسیار حجیم به نظر می رسد.»
• نمونه 2: رونویسی مرکز تماس - "سلام، یک بلوک کلاهبرداری در کارت اعتباری من وجود دارد، می توانید آن را برای من حذف کنید. کارت اعتباری من مدام به دلیل کلاهبرداری علامت گذاری می شود. این کاملا آزاردهنده است، هر بار که از آن استفاده می کنم، مدام رد می شوم. اگر دوباره این اتفاق بیفتد، کارت را لغو می‌کنم.»
• نمونه 3: نظرسنجی بازخورد کارفرما - خوشحالم که مدیریت تیم را ارتقا می دهد. اما استاد اصول را به خوبی رعایت نکرد. مدیریت باید در سطح مهارت همه برای جلسات آینده دقت بیشتری انجام دهد.»

داده ها را آماده کنید

برای شروع، فایل های نمونه حاوی متن مثال را با استفاده از رابط خط فرمان AWS (AWS CLI) با اجرای دستورات زیر:

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

ایجاد یک سرویس ذخیره سازی ساده آمازون (Amazon S3) سطل، پوشه را از حالت فشرده خارج کرده و پوشه حاوی سه فایل نمونه را آپلود کنید. مطمئن شوید که در سراسر منطقه از همان منطقه استفاده می کنید.

اکنون می توانید به سه فایل متنی نمونه موجود در سطل S3 خود دسترسی داشته باشید.

در Amazon Comprehend شغل ایجاد کنید

پس از آپلود فایل ها در سطل S3 خود، مراحل زیر را انجام دهید:

1. در کنسول آمازون Comprehend، را انتخاب کنید تحلیل مشاغل در صفحه ناوبری
   
2. را انتخاب کنید ایجاد شغل.
   
3. برای نام، یک نام برای شغل خود وارد کنید.
4. برای نوع تحلیل، انتخاب کنید احساسات هدفمند.
5. تحت داده های ورودی، محل آمازون S3 را وارد کنید ts-sample-data پوشه.
6. برای قالب ورودی، انتخاب کنید یک سند در هر فایل.

اگر داده های شما در یک فایل مجزا با خطوط مشخص باشد، می توانید این پیکربندی را تغییر دهید.

7. تحت محل خروجی، محل آمازون S3 را که می خواهید خروجی کار را در آن ذخیره کنید، وارد کنید.
8. تحت مجوزهای دسترسی، برای نقش IAMموجود را انتخاب کنید هویت AWS و مدیریت دسترسی (IAM) نقش یا ایجاد کنید که دارای مجوزهای سطل S3 باشد.
9. گزینه های دیگر را به عنوان پیش فرض بگذارید و انتخاب کنید ایجاد شغل.
   

پس از شروع کار، می توانید جزئیات شغل خود را بررسی کنید. کل زمان اجرای کار به اندازه داده های ورودی بستگی دارد.

10. وقتی کار کامل شد، زیر تولید، پیوند مکان داده های خروجی را انتخاب کنید.
    

در اینجا می توانید یک فایل خروجی فشرده را پیدا کنید.

11. فایل را دانلود و از حالت فشرده خارج کنید.

اکنون می توانید فایل های خروجی را برای هر متن نمونه بررسی کنید. فایل ها را در ویرایشگر متن دلخواه خود باز کنید تا ساختار پاسخ API را بررسی کنید. در بخش بعدی این موضوع را با جزئیات بیشتر توضیح می دهیم.

ساختار پاسخ API

Targeted Sentiment API یک راه ساده برای مصرف خروجی مشاغل شما ارائه می دهد. این یک گروه بندی منطقی از موجودیت ها (گروه های موجودیت) شناسایی شده، همراه با احساسات برای هر موجودیت ارائه می دهد. در زیر برخی از تعاریف فیلدهای موجود در پاسخ آورده شده است:

• اشخاص - بخش های مهم سند مثلا، Person, Place, Date, Food، یا Taste.
• ذکر شده - ارجاعات یا ذکرهای موجود در سند. این ها می توانند ضمایر یا اسم های رایج مانند «آن»، «او»، «کتاب» و غیره باشند. اینها به ترتیب مکان (افست) در سند سازماندهی شده اند.
• DescriptiveMentionIndex - شاخص در Mentions که بهترین تصویر را از گروه موجود ارائه می دهد. به عنوان مثال، "ABC Hotel" به جای "hotel"، "it" یا دیگر اسم های رایج ذکر شده است.
• گروه امتیاز - اطمینان به اینکه همه موجودات ذکر شده در گروه به یک موجود مرتبط هستند (مانند «من»، «من» و «خودم» که به یک فرد اشاره دارد).
• متن - متن موجود در سند که موجودیت را نشان می دهد
• نوع - توصیفی از آنچه موجودیت به تصویر می کشد.
• نمره - اطمینان مدل که این یک موجودیت مرتبط است.
• MentionSentiment - احساس واقعی پیدا شده برای ذکر.
• احساس - مقدار رشته از positive, neutral, negative، یا mixed.
• SentimentScore - اعتماد مدل برای هر احساس ممکن.
• BeginOffset - افست در متن سند که در آن ذکر شروع می شود.
• EndOffset - افست در متن سند که در آن ذکر به پایان می رسد.

برای نشان دادن این امر به صورت بصری، اجازه دهید خروجی سومین مورد استفاده، نظرسنجی بازخورد کارفرما را در نظر بگیریم و از میان گروه‌های نهادی که نماینده کارمند در حال تکمیل نظرسنجی، مدیریت و مربی هستند قدم بزنیم.

بیایید ابتدا به تمام موارد ذکر شده در مورد گروه موجودیت مرجع مرتبط با "I" (کارمندی که پاسخ را می نویسد) و مکان ذکر در متن نگاه کنیم. DescriptiveMentionIndex نمایه های موجودیت ذکر شده را نشان می دهد که به بهترین نحو گروه موجودیت هم مرجع را به تصویر می کشد (در این مورد 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 } } } ] }

گروه بعدی از موجودیت ها، همه اشاره های گروه نهاد هم مرجع مرتبط با مدیریت را به همراه مکان آن در متن ارائه می دهد. DescriptiveMentionIndex نمایه های موجودیت ذکر شده را نشان می دهد که به بهترین نحو گروه موجودیت هم مرجع را به تصویر می کشد (در این مورد management). چیزی که در این مثال قابل مشاهده است، تغییر احساسات به سمت مدیریت است. می‌توانید از این داده‌ها برای استنباط اینکه چه بخش‌هایی از اقدامات مدیریت مثبت و چه بخش‌هایی منفی تلقی شده و بنابراین می‌توان آن‌ها را بهبود بخشید، استفاده کنید.

{ "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 } } } ] }

برای نتیجه گیری، بیایید تمام ذکرهای استاد و مکان را در متن مشاهده کنیم. DescriptiveMentionIndex نمایه های موجودیت ذکر شده را نشان می دهد که به بهترین نحو گروه موجودیت هم مرجع را به تصویر می کشد (در این مورد 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 } } } ] }

معماری مرجع

شما می توانید احساسات هدفمند را در بسیاری از سناریوها اعمال کنید و از مواردی برای افزایش ارزش کسب و کار استفاده کنید، مانند موارد زیر:

• تعیین اثربخشی کمپین های بازاریابی و راه اندازی ویژگی ها با شناسایی موجودیت ها و ذکرهایی که حاوی بیشترین بازخورد مثبت یا منفی هستند.
• خروجی پرس و جو برای تعیین اینکه کدام نهادها و ذکرها به یک موجودیت مربوطه (مثبت، منفی یا خنثی) مربوط می شوند.
• تجزیه و تحلیل احساسات در سراسر چرخه زندگی تعامل با مشتری در مراکز تماس برای نشان دادن اثربخشی تغییرات فرآیند یا آموزش

نمودار زیر یک فرآیند پایان به انتها را نشان می دهد:

نتیجه

درک تعاملات و بازخوردهایی که سازمان‌ها در مورد محصولات و خدمات خود از مشتریان دریافت می‌کنند، در توسعه محصولات و تجارب بهتر مشتری بسیار مهم است. به این ترتیب، برای استنباط نتایج بهتر به جزئیات گرانول بیشتری نیاز است.

در این پست، نمونه‌هایی از این که چگونه استفاده از این جزئیات ریز می‌تواند به سازمان‌ها در بهبود محصولات، تجارب مشتری و آموزش کمک کند و همچنین ویژگی‌های مثبت را تشویق و اعتبار بخشد، ارائه کردیم. موارد استفاده زیادی در صنایع وجود دارد که می‌توانید آن‌ها را آزمایش کنید و از احساسات هدفمند ارزش کسب کنید.

ما شما را تشویق می کنیم که این ویژگی جدید را با موارد استفاده خود امتحان کنید. برای اطلاعات بیشتر و شروع به ادامه مطلب مراجعه کنید احساسات هدفمند.

درباره نویسنده

راج پاتاک یک معمار راه حل و مشاور فنی برای مشتریان Fortune 50 و FSI متوسط ​​(بانکداری، بیمه، بازارهای سرمایه) در سراسر کانادا و ایالات متحده است. راج در یادگیری ماشین با برنامه های کاربردی در استخراج اسناد، تبدیل مرکز تماس و بینایی کامپیوتر تخصص دارد.

سانجیو پولاپاکا یک معمار ارشد راه حل در تیم Fed Civilian SA در خدمات وب آمازون (AWS) است. او از نزدیک با مشتریان در ساخت و طراحی راه حل های حیاتی ماموریت همکاری می کند. Sanjeev دارای تجربه گسترده ای در رهبری، معماری و اجرای راه حل های فن آوری با تاثیر بالا است که نیازهای تجاری مختلف را در بخش های مختلف از جمله دولت های تجاری، فدرال، ایالتی و محلی برطرف می کند. او دارای مدرک کارشناسی در رشته مهندسی از موسسه فناوری هند و مدرک MBA از دانشگاه نوتردام است.

• Coinsmart. بهترین صرافی بیت کوین و کریپتو اروپا.
• پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی رایگان.
• CryptoHawk. رادار آلت کوین امتحان رایگان.
• منبع: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/