Pura rakeinen mielipide tekstiksi Amazon Comprehend Targeted Sentimentin avulla

Amazonin käsitys on luonnollisen kielen käsittelypalvelu (NLP), joka käyttää koneoppimista (ML) löytääkseen oivalluksia tekstistä. Täysin hallinnoituna palveluna Amazon Comprehend ei vaadi ML-asiantuntemusta ja voi skaalata suuriin tietomääriin. Amazon Comprehend tarjoaa useita erilaisia API integroidaksesi NLP:n helposti sovelluksiisi. Voit kutsua sovellusliittymiä sovelluksessasi ja ilmoittaa lähdeasiakirjan tai tekstin sijainnin. API:t tuottavat entiteettejä, avainlauseita, mielipiteitä, dokumenttien luokittelua ja kieltä helposti käytettävässä muodossa sovelluksellesi tai yrityksellesi.

Amazon Comprehendin tarjoamat mielialan analysointirajapinnat auttavat yrityksiä määrittämään asiakirjan tunteen. Voit arvioida asiakirjan yleisen tunnelman positiiviseksi, negatiiviseksi, neutraaliksi tai sekaiseksi. Ymmärtääkseen tiettyihin tuotteisiin tai brändeihin liittyvän tunteen tarkasti yritysten on kuitenkin täytynyt käyttää kiertotapoja, kuten paloitella tekstiä loogisiksi lohkoiksi ja päätellä tiettyä tuotetta kohtaan ilmaistu mielipide.

Tämän prosessin yksinkertaistamiseksi Amazon Comprehend julkaisee tästä päivästä alkaen Kohdennettu tunne ominaisuus tunteiden analysointiin. Tämä tarjoaa mahdollisuuden tunnistaa mainintaryhmät (vertailuryhmät), jotka vastaavat yhtä reaalimaailman entiteettiä tai attribuuttia, antaa jokaiseen entiteettimainintaan liittyvän tunteen ja tarjota reaalimaailman entiteetin luokituksen ennalta määrätty luettelo kokonaisuuksista.

Tämä viesti tarjoaa yleiskatsauksen siitä, kuinka voit aloittaa Amazon Comprehend -kohdistetun tunteen käytön, osoittaa, mitä voit tehdä tuloksella, ja käy läpi kolme yleistä kohdistetun tunteen käyttötapausta.

Ratkaisun yleiskatsaus

Seuraavassa on esimerkki kohdistetusta tunteesta:

"Spa" on ensisijainen kokonaisuus, joka on tunnistettu tyypiksi facility, ja se mainitaan vielä kaksi kertaa, ja sitä kutsutaan pronominiksi "se". Targeted Sentiment API tarjoaa tunteen jokaista entiteettiä kohtaan. Positiivinen tunne on vihreä, negatiivinen on punainen ja neutraali on sininen. Voimme myös määrittää, kuinka mieliala kylpylästä muuttuu koko lauseen ajan. Sukellaan syvemmälle API:iin myöhemmin postauksessa.

Tämä ominaisuus avaa yrityksille useita erilaisia ​​ominaisuuksia. Markkinointitiimit voivat seurata suosittuja tunteita brändeihinsä sosiaalisessa mediassa ajan myötä. Verkkokauppiaat voivat ymmärtää, mitkä heidän tuotteidensa ominaisuudet saivat asiakkaat parhaiten ja huonoimmin. Puhelinkeskuksen operaattorit voivat käyttää ominaisuutta louhiakseen transkriptioita eskalaatioongelmista ja seurata asiakaskokemusta. Ravintolat, hotellit ja muut ravintola-alan organisaatiot voivat käyttää palvelua muuttaakseen laajat luokituskategoriat monipuolisiksi kuvauksiksi hyvistä ja huonoista asiakaskokemuksista.

Kohdennettuja tunteiden käyttötapauksia

Amazon Comprehendin Targeted Sentiment API ottaa syötteeksi tekstidataa, kuten sosiaalisen median julkaisuja, sovellusarvosteluja ja puhelinkeskuksen transkriptioita. Sitten se analysoi syötteen käyttämällä NLP-algoritmien tehoa ja poimii entiteettitason tunteen automaattisesti. An kokonaisuus on tekstiviittaus reaalimaailman kohteen, kuten ihmisten, paikkojen ja kaupallisten esineiden, ainutlaatuiseen nimeen, tarkkojen viittausten lisäksi mitoihin, kuten päivämäärät ja määrät. Täydellinen luettelo tuetuista kokonaisuuksista on kohdassa Kohdistetut tunnekokonaisuudet.

Käytämme Targeted Sentiment APIa mahdollistaaksemme seuraavat käyttötapaukset:

• Yritys voi tunnistaa työntekijän/asiakaskokemuksen osia, jotka ovat nautinnollisia, ja osia, joita voidaan parantaa.
• Yhteyskeskukset ja asiakaspalvelutiimit voivat analysoida päivystyksen transkriptioita tai chat-lokeja tunnistaakseen agenttien koulutuksen tehokkuuden ja keskustelun yksityiskohdat, kuten asiakkaan erityisreaktiot ja lauseet tai sanat, joita on käytetty kyseisen vastauksen kieltoon.
• Tuotteiden omistajat ja UI/UX-kehittäjät voivat tunnistaa tuotteensa ominaisuuksia, joista käyttäjät nauttivat, ja osat, jotka vaativat parannusta. Tämä voi tukea tuotesuunnitelmakeskusteluja ja priorisointia.

Seuraava kaavio havainnollistaa kohdennettua tunneprosessia:

Tässä viestissä esittelemme tämän prosessin käyttämällä seuraavia kolmea esimerkkiarviointia:

• Esimerkki 1: Yritys- ja tuotearvostelu – Pidän todella siitä, kuinka paksu takki on. Käytän suurta takkia, koska minulla on leveät olkapäät ja sen tilasin ja se sopii täydellisesti sinne. Minusta tuntuu melkein kuin se ilmapallot ulos rinnasta alas. Ajattelin käyttää takin pohjassa olevia nyörejä sen sulkemiseen ja tuomiseen sisään, mutta ne eivät toimi. Takki tuntuu todella paksulta.”
• Esimerkki 2: Yhteyskeskuksen transkriptio – "Hei, luottokortillani on petoslukko, voitko poistaa sen puolestani. Luottokorttiani merkitään jatkuvasti petokseksi. Se on melko ärsyttävää, joka kerta kun menen käyttämään sitä, minua hylätään jatkuvasti. Aion peruuttaa kortin, jos tämä toistuu."
• Esimerkki 3: Työnantajapalautekysely – Olen iloinen, että johto kehittää joukkuetta. Mutta opettaja ei mennyt perusasiat läpi hyvin. Johdon tulisi tutkia enemmän kaikkien taitotasoa tulevia istuntoja varten.

Valmistele tiedot

Aloita lataamalla esimerkkitekstin sisältävät näytetiedostot käyttämällä AWS-komentoriviliitäntä (AWS CLI) suorittamalla seuraavat komennot:

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

Luo Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri, pura kansio ja lataa kolme esimerkkitiedostoa sisältävä kansio. Varmista, että käytät samaa aluetta kaikkialla.

Voit nyt käyttää kolmea esimerkkitekstitiedostoa S3-alueeltasi.

Luo työpaikka Amazon Comprehendissä

Kun olet ladannut tiedostot S3-säilöisi, suorita seuraavat vaiheet:

1. Valitse Amazon Comprehend -konsolista Analyysi työpaikkoja navigointipaneelissa.
   
2. Valita Luo työpaikka.
   
3. varten Nimi, kirjoita työsi nimi.
4. varten Analyysityyppi, valitse Kohdennettu tunne.
5. Alle Syöttötiedot, anna Amazon S3:n sijainti ts-sample-data kansio.
6. varten Syöttömuoto, valitse Yksi asiakirja per tiedosto.

Voit muuttaa tätä asetusta, jos tietosi ovat yhdessä tiedostossa, joka on erotettu viivoilla.

7. Alle Lähtöpaikka, anna Amazon S3 -sijainti, johon haluat tallentaa työn tulosteen.
8. Alle KäyttöoikeudetVarten IAM-rooli, valitse olemassa oleva AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) rooliin tai luo rooli, jolla on S3-säihön käyttöoikeudet.
9. Jätä muut vaihtoehdot oletusasetuksiksi ja valitse Luo työpaikka.
   

Kun aloitat työn, voit tarkistaa työtietosi. Työn kokonaisajoaika riippuu syöttötietojen koosta.

10. Kun työ on valmis, alle ulostulo, valitse linkki lähtötietojen sijaintiin.
    

Täältä löydät pakatun tulostustiedoston.

11. Lataa ja pura tiedosto.

Voit nyt tarkastaa kunkin näytetekstin tulostiedostot. Avaa tiedostot haluamassasi tekstieditorissa nähdäksesi API-vastausrakenteen. Kuvaamme tätä tarkemmin seuraavassa osiossa.

API-vastausrakenne

Targeted Sentiment API tarjoaa yksinkertaisen tavan kuluttaa työsi tulos. Se tarjoaa loogisen ryhmittelyn havaituista entiteeteista (entiteettiryhmistä) sekä kunkin entiteetin tunnelman. Seuraavassa on joitain määritelmiä vastauksessa olevista kentistä:

• yhteisöt – Asiakirjan tärkeät osat. Esimerkiksi, Person, Place, Date, Foodtai Taste.
• Maininnat – Viittaukset tai maininnat asiakirjassa olevasta kokonaisuudesta. Nämä voivat olla pronominit tai yleiset substantiivit, kuten "se", "hän", "kirja" ja niin edelleen. Nämä on järjestetty asiakirjassa sijainnin (offset) mukaan.
• DescriptiveMentionIndex – Indeksi sisään Mentions joka antaa parhaan kuvan kokonaisuudesta. Esimerkiksi "ABC Hotel" "hotellin" sijaan "se" tai muita yleisiä substantiivimainoksia.
• Ryhmäpisteet – Luottamus siihen, että kaikki ryhmässä mainitut entiteetit liittyvät samaan kokonaisuuteen (kuten "minä", "minä" ja "minä" viittaavat yhteen henkilöön).
• teksti – Asiakirjan teksti, joka kuvaa kokonaisuutta
• Tyyppi – Kuvaus siitä, mitä kokonaisuus kuvaa.
• Pisteet – Mallin luottamus siihen, että tämä on relevantti kokonaisuus.
• MainitseSentiment – Maininnalle löydetty todellinen fiilis.
• Näkemys – Merkkijonoarvo positive, neutral, negativetai mixed.
• SentimentScore – Mallin luottamus jokaiselle mahdolliselle tunteelle.
• AloitaOffset – Siirto asiakirjan tekstiin, josta maininta alkaa.
• EndOffset – Siirto asiakirjan tekstiin, johon maininta päättyy.

Havainnollistaaksesi tätä visuaalisesti, otetaan kolmannen käyttötapauksen, työnantajapalautekyselyn tulos, ja käydään läpi kokonaisuusryhmät, jotka edustavat kyselyn suorittavaa työntekijää, johtoa ja ohjaajaa.

Katsotaanpa ensin kaikkia maininnat "minään" (vastauksen kirjoittava työntekijä) liittyvästä rinnakkaisviite-entiteettiryhmästä ja maininnan sijaintia tekstissä. DescriptiveMentionIndex edustaa entiteettimaininnan indeksejä, jotka kuvaavat parhaiten rinnakkaisviitekokonaisuusryhmää (tässä tapauksessa 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 } } } ] }

Seuraava entiteettiryhmä sisältää kaikki maininnat hallintaan liittyvästä rinnakkaisviite-entiteettiryhmästä sekä sen sijainnin tekstissä. DescriptiveMentionIndex edustaa entiteettimaininnan indeksejä, jotka kuvaavat parhaiten rinnakkaisviitekokonaisuusryhmää (tässä tapauksessa management). Tässä esimerkissä on huomioitava mielialan muutos kohti johtamista. Näiden tietojen avulla voit päätellä, mitkä osat johdon toiminnasta koettiin positiivisiksi ja mitkä negatiivisiksi, joten niitä voidaan parantaa.

{ "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 } } } ] }

Lopuksi tarkkaillaan kaikkia tekstissä olevia mainintoja opettajasta ja sijainnista. DescriptiveMentionIndex edustaa entiteettimaininnan indeksejä, jotka kuvaavat parhaiten rinnakkaisviitekokonaisuusryhmää (tässä tapauksessa 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 } } } ] }

Viitearkkitehtuuri

Voit soveltaa kohdennettua mielipidettä moniin skenaarioihin ja käyttää tapauksia liiketoiminnan arvon kasvattamiseen, kuten seuraaviin:

• Selvitä markkinointikampanjoiden ja ominaisuuksien julkaisujen tehokkuus tunnistamalla kokonaisuudet ja maininnat, jotka sisältävät eniten positiivista tai negatiivista palautetta
• Kyselytulostus määrittääksesi, mitkä entiteetit ja maininnat liittyvät vastaavaan entiteettiin (positiivinen, negatiivinen tai neutraali)
• Analysoi tunteita asiakasvuorovaikutuksen elinkaaren ajalta yhteyskeskuksissa osoittaaksesi prosessien tai koulutuksen muutosten tehokkuuden

Seuraava kaavio kuvaa päästä päähän -prosessia:

Yhteenveto

Organisaatioiden asiakkailta tuotteistaan ​​ja palveluistaan ​​saaman vuorovaikutuksen ja palautteen ymmärtäminen on edelleen ratkaisevan tärkeää kehitettäessä parempia tuotteita ja asiakaskokemuksia. Sellaisenaan parempien tulosten päättelemiseksi tarvitaan tarkempia yksityiskohtia.

Tässä viestissä annoimme esimerkkejä siitä, kuinka näiden yksityiskohtaisten tietojen käyttäminen voi auttaa organisaatioita parantamaan tuotteita, asiakaskokemuksia ja koulutusta sekä kannustamaan ja vahvistamaan positiivisia ominaisuuksia. Eri toimialoilla on monia käyttötapauksia, joissa voit kokeilla kohdistettuja tunteita ja saada niistä lisäarvoa.

Suosittelemme kokeilemaan tätä uutta ominaisuutta käyttötapauksissasi. Lisätietoja ja aloittaaksesi, katso Kohdennettu tunne.

Tietoja Tekijät

Raj Pathak on ratkaisuarkkitehti ja tekninen neuvonantaja Fortune 50- ja keskikokoisille FSI-asiakkaille (pankkitoiminta, vakuutus, pääomamarkkinat) Kanadassa ja Yhdysvalloissa. Raj on erikoistunut koneoppimiseen dokumenttien purkamisen, yhteyskeskuksen muuntamisen ja tietokonenäön sovelluksilla.

Sanjeev Pulapaka on vanhempi ratkaisuarkkitehti US Fed Civilian SA -tiimissä Amazon Web Servicesissä (AWS). Hän työskentelee läheisessä yhteistyössä asiakkaiden kanssa rakentaessaan ja arkkitehtuuriltaan kriittisiä ratkaisuja. Sanjeevilla on laaja kokemus vaikuttavien teknologiaratkaisujen johtamisesta, suunnittelusta ja toteuttamisesta, jotka vastaavat erilaisiin liiketoiminnan tarpeisiin useilla aloilla, mukaan lukien kaupalliset, liittovaltion, osavaltion ja paikallishallinnot. Hän on suorittanut insinööritutkinnon Indian Institute of Technologysta ja MBA-tutkinnon Notre Damen yliopistosta.

• Coinsmart. Euroopan paras Bitcoin- ja kryptopörssi.
• Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. VAPAA PÄÄSY.
• CryptoHawk. Altcoinin tutka. Ilmainen kokeilu.
• Lähde: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/