अमेज़ॅन कॉम्प्रिहेंड टारगेटेड सेंटीमेंट के साथ टेक्स्ट में दानेदार भावना निकालें

Amazon Comprehend एक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) सेवा है जो पाठ से अंतर्दृष्टि खोजने के लिए मशीन लर्निंग (एमएल) का उपयोग करती है। पूरी तरह से प्रबंधित सेवा के रूप में, Amazon Comprehend को किसी ML विशेषज्ञता की आवश्यकता नहीं है और यह बड़ी मात्रा में डेटा का विस्तार कर सकता है। अमेज़ॅन कॉम्प्रिहेंड कई अलग प्रदान करता है एपीआई आसानी से अपने अनुप्रयोगों में एनएलपी को एकीकृत करने के लिए। आप बस अपने आवेदन में एपीआई को कॉल कर सकते हैं और स्रोत दस्तावेज़ या टेक्स्ट का स्थान प्रदान कर सकते हैं। एपीआई आपके एप्लिकेशन या व्यवसाय के लिए उपयोग में आसान प्रारूप में संस्थाओं, प्रमुख वाक्यांशों, भावनाओं, दस्तावेज़ वर्गीकरण और भाषा को आउटपुट करता है।

अमेज़ॅन कॉम्प्रिहेंड द्वारा प्रदान किए गए भावना विश्लेषण एपीआई व्यवसायों को एक दस्तावेज़ की भावना को निर्धारित करने में मदद करते हैं। आप किसी दस्तावेज़ की समग्र भावना को सकारात्मक, नकारात्मक, तटस्थ या मिश्रित के रूप में आंक सकते हैं। हालांकि, विशिष्ट उत्पादों या ब्रांडों से जुड़ी भावना को समझने की ग्रैन्युलैरिटी प्राप्त करने के लिए, व्यवसायों को टेक्स्ट को तार्किक ब्लॉकों में विभाजित करने और किसी विशिष्ट उत्पाद के प्रति व्यक्त भावना का अनुमान लगाने जैसे कामकाज को नियोजित करना पड़ता है।

इस प्रक्रिया को आसान बनाने में मदद के लिए, आज से अमेज़न कॉम्प्रिहेंड लॉन्च कर रहा है लक्षित भावना भावना विश्लेषण के लिए सुविधा। यह एक वास्तविक-विश्व इकाई या विशेषता के अनुरूप उल्लेखों के समूहों (सह-संदर्भ समूह) की पहचान करने की क्षमता प्रदान करता है, प्रत्येक इकाई के उल्लेख से जुड़ी भावना प्रदान करता है, और एक के आधार पर वास्तविक-विश्व इकाई का वर्गीकरण प्रदान करता है। संस्थाओं की पूर्व निर्धारित सूची.

यह पोस्ट इस बात का अवलोकन प्रदान करती है कि आप अमेज़ॅन कॉम्प्रिहेंड लक्षित भावना के साथ कैसे शुरुआत कर सकते हैं, यह दर्शाता है कि आप आउटपुट के साथ क्या कर सकते हैं, और तीन सामान्य लक्षित भावना उपयोग मामलों के माध्यम से चलता है।

समाधान अवलोकन

निम्नलिखित लक्षित भावना का एक उदाहरण है:

"स्पा" प्राथमिक इकाई है, जिसे टाइप . के रूप में पहचाना जाता है facility, और दो बार और उल्लेख किया गया है, जिसे सर्वनाम "यह" कहा जाता है। लक्षित भावना एपीआई प्रत्येक इकाई के प्रति भावना प्रदान करती है। सकारात्मक भाव हरा है, नकारात्मक लाल है, और तटस्थ नीला है। हम यह भी निर्धारित कर सकते हैं कि पूरे वाक्य में स्पा के प्रति भावना कैसे बदलती है। हम बाद में पोस्ट में एपीआई में गहराई से गोता लगाते हैं।

यह क्षमता व्यवसायों के लिए कई अलग-अलग क्षमताओं को खोलती है। मार्केटिंग टीमें समय के साथ सोशल मीडिया में अपने ब्रांड के प्रति लोकप्रिय भावनाओं को ट्रैक कर सकती हैं। ईकॉमर्स मर्चेंट यह समझ सकते हैं कि उनके उत्पादों की कौन सी विशिष्ट विशेषताएं ग्राहकों को सबसे अच्छी और सबसे खराब मिलीं। कॉल सेंटर संचालक इस सुविधा का उपयोग वृद्धि के मुद्दों के लिए और ग्राहक अनुभव की निगरानी के लिए ट्रांसक्रिप्ट को माइन करने के लिए कर सकते हैं। रेस्तरां, होटल और अन्य आतिथ्य उद्योग संगठन व्यापक रेटिंग श्रेणियों को अच्छे और बुरे ग्राहक अनुभवों के समृद्ध विवरण में बदलने के लिए सेवा का उपयोग कर सकते हैं।

लक्षित भावना उपयोग के मामले

Amazon Comprehend में टार्गेटेड सेंटीमेंट API टेक्स्ट डेटा जैसे सोशल मीडिया पोस्ट, एप्लिकेशन रिव्यू और कॉल सेंटर ट्रांसक्रिप्शन को इनपुट के रूप में लेता है। फिर यह स्वचालित रूप से इकाई-स्तर की भावना को निकालने के लिए एनएलपी एल्गोरिदम की शक्ति का उपयोग करके इनपुट का विश्लेषण करता है। एक सत्ता तारीखों और मात्राओं जैसे उपायों के सटीक संदर्भों के अलावा, वास्तविक दुनिया की वस्तु, जैसे कि लोग, स्थान और वाणिज्यिक वस्तुओं के अद्वितीय नाम का एक पाठ्य संदर्भ है। समर्थित संस्थाओं की पूरी सूची के लिए, देखें लक्षित भावना निकाय.

हम निम्नलिखित उपयोग के मामलों को सक्षम करने के लिए लक्षित भावना API का उपयोग करते हैं:

• एक व्यवसाय कर्मचारी/ग्राहक अनुभव के उन हिस्सों की पहचान कर सकता है जो आनंददायक हैं और जिन हिस्सों में सुधार किया जा सकता है।
• संपर्क केंद्र और ग्राहक सेवा दल एजेंट प्रशिक्षण प्रभावशीलता की पहचान करने के लिए ऑन-कॉल ट्रांसक्रिप्शन या चैट लॉग का विश्लेषण कर सकते हैं, और वार्तालाप विवरण जैसे कि ग्राहक से विशिष्ट प्रतिक्रियाएं और वाक्यांश या शब्द जो उस प्रतिक्रिया को अवैध करने के लिए उपयोग किए गए थे।
• उत्पाद स्वामी और UI/UX डेवलपर अपने उत्पाद की उन विशेषताओं की पहचान कर सकते हैं जिनका उपयोगकर्ता आनंद लेते हैं और जिन भागों में सुधार की आवश्यकता है। यह उत्पाद रोडमैप चर्चाओं और प्राथमिकताओं का समर्थन कर सकता है।

निम्नलिखित आरेख लक्षित भावना प्रक्रिया को दर्शाता है:

इस पोस्ट में, हम निम्नलिखित तीन नमूना समीक्षाओं का उपयोग करके इस प्रक्रिया को प्रदर्शित करते हैं:

• नमूना 1: व्यापार और उत्पाद समीक्षा - "मुझे वास्तव में पसंद है कि जैकेट कितनी मोटी है। मैं एक बड़ी जैकेट पहनता हूं क्योंकि मेरे कंधे चौड़े हैं और यही मैंने ऑर्डर किया है और यह पूरी तरह से फिट बैठता है। मुझे लगभग ऐसा लग रहा है कि यह छाती से नीचे की ओर गुब्बारा है। मैंने सोचा था कि जैकेट को बंद करने और इसे अंदर लाने में मदद करने के लिए मैं जैकेट के नीचे के तारों का उपयोग करूंगा, लेकिन वे काम नहीं करते। जैकेट बहुत भारी लगता है। ”
• नमूना 2: संपर्क केंद्र प्रतिलेखन - "नमस्ते, मेरे क्रेडिट कार्ड पर एक फ्रॉड ब्लॉक है, क्या आप इसे मेरे लिए हटा सकते हैं। धोखाधड़ी के लिए मेरा क्रेडिट कार्ड फ़्लैग किया जा रहा है। यह काफी कष्टप्रद है, हर बार जब मैं इसका इस्तेमाल करने जाता हूं, तो मुझे मना कर दिया जाता है। अगर ऐसा दोबारा होता है तो मैं कार्ड रद्द कर दूंगा।"
• नमूना 3: नियोक्ता प्रतिक्रिया सर्वेक्षण - "मुझे खुशी है कि प्रबंधन टीम का कौशल बढ़ा रहा है। लेकिन प्रशिक्षक ने मूल बातें अच्छी तरह से नहीं देखीं। प्रबंधन को भविष्य के सत्रों के लिए सभी के कौशल स्तर पर अधिक उचित परिश्रम करना चाहिए।"

डेटा तैयार करें

आरंभ करने के लिए, उदाहरण पाठ वाली नमूना फ़ाइलें डाउनलोड करें AWS कमांड लाइन इंटरफ़ेस (एडब्ल्यूएस सीएलआई) निम्न आदेश चलाकर:

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

एक बनाएं अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) बकेट, फ़ोल्डर को अनज़िप करें और तीन नमूना फ़ाइलों वाले फ़ोल्डर को अपलोड करें। सुनिश्चित करें कि आप पूरे क्षेत्र में एक ही क्षेत्र का उपयोग कर रहे हैं।

अब आप अपने S3 बकेट में तीन सैंपल टेक्स्ट फाइलों तक पहुंच सकते हैं।

अमेज़ॅन कॉम्प्रिहेंड में नौकरी बनाएं

अपने S3 बकेट में फ़ाइलें अपलोड करने के बाद, निम्न चरणों को पूरा करें:

1. Amazon Comprehend कंसोल पर, चुनें विश्लेषण नौकरियों नेविगेशन फलक में
   
2. चुनें नौकरी पैदा करो.
   
3. के लिए नाम, अपनी नौकरी के लिए एक नाम दर्ज करें।
4. के लिए विश्लेषण प्रकार, चुनें लक्षित भावना.
5. के अंतर्गत इनपुट डेटा, का Amazon S3 स्थान दर्ज करें टीएस-नमूना-डेटा फ़ोल्डर.
6. के लिए इनपुट प्रारूप, चुनें प्रति फ़ाइल एक दस्तावेज़.

यदि आपका डेटा लाइनों द्वारा सीमांकित एकल फ़ाइल में है, तो आप इस कॉन्फ़िगरेशन को बदल सकते हैं।

7. के अंतर्गत आउटपुट स्थान, Amazon S3 स्थान दर्ज करें जहाँ आप जॉब आउटपुट को सहेजना चाहते हैं।
8. के अंतर्गत पहुंच की अनुमतिके लिए, IAM भूमिका, एक मौजूदा चुनें AWS पहचान और अभिगम प्रबंधन (IAM) भूमिका निभा सकते हैं या एक ऐसा बना सकते हैं जिसके पास S3 बकेट की अनुमति हो।
9. अन्य विकल्पों को डिफ़ॉल्ट के रूप में छोड़ दें और चुनें नौकरी पैदा करो.
   

नौकरी शुरू करने के बाद, आप अपनी नौकरी के विवरण की समीक्षा कर सकते हैं। कुल जॉब रनटाइम इनपुट डेटा के आकार पर निर्भर करता है।

10. कार्य पूर्ण होने पर, के अंतर्गत उत्पादन, आउटपुट डेटा स्थान का लिंक चुनें।
    

यहां आप एक संपीड़ित आउटपुट फ़ाइल पा सकते हैं।

11. फ़ाइल को डाउनलोड और डीकंप्रेस करें।

अब आप प्रत्येक नमूना पाठ के लिए आउटपुट फाइलों का निरीक्षण कर सकते हैं। एपीआई प्रतिक्रिया संरचना की समीक्षा करने के लिए अपने पसंदीदा टेक्स्ट एडिटर में फाइलें खोलें। हम अगले भाग में इसका अधिक विस्तार से वर्णन करेंगे।

एपीआई प्रतिक्रिया संरचना

टारगेटेड सेंटीमेंट एपीआई आपकी नौकरियों के आउटपुट का उपभोग करने का एक आसान तरीका प्रदान करता है। यह प्रत्येक इकाई के लिए भावना के साथ-साथ ज्ञात संस्थाओं (इकाई समूहों) का तार्किक समूहन प्रदान करता है। प्रत्युत्तर में मौजूद फ़ील्ड की कुछ परिभाषाएँ निम्नलिखित हैं:

• संस्थाओं - दस्तावेज़ के महत्वपूर्ण भाग। उदाहरण के लिए, Person, Place, Date, Foodया, Taste.
• उल्लेखों - दस्तावेज़ में इकाई के संदर्भ या उल्लेख। ये सर्वनाम या सामान्य संज्ञा हो सकते हैं जैसे "यह," "उसे," "पुस्तक," और इसी तरह। ये दस्तावेज़ में स्थान (ऑफ़सेट) के क्रम में व्यवस्थित होते हैं।
• वर्णनात्मक उल्लेख सूचकांक - सूचकांक Mentions जो इकाई समूह का सबसे अच्छा चित्रण देता है। उदाहरण के लिए, "होटल," "इट" के बजाय "एबीसी होटल" या अन्य सामान्य संज्ञा का उल्लेख है।
• समूह स्कोर - यह विश्वास कि समूह में उल्लिखित सभी संस्थाएं एक ही इकाई से संबंधित हैं (जैसे कि "मैं," "मैं," और "मैं" एक व्यक्ति को संदर्भित करता हूं)।
• टेक्स्ट - दस्तावेज़ में वह पाठ जो इकाई को दर्शाता है
• प्रकार - इकाई क्या दर्शाती है इसका विवरण।
• स्कोर - मॉडल का विश्वास है कि यह एक प्रासंगिक इकाई है।
• भावना का उल्लेख करें - उल्लेख के लिए वास्तविक भावना मिली।
• भावुकता - का स्ट्रिंग मान positive, neutral, negativeया, mixed.
• सेंटीमेंट स्कोर - प्रत्येक संभावित भावना के लिए मॉडल आत्मविश्वास।
• शुरुआत ऑफसेट - दस्तावेज़ पाठ में ऑफसेट जहां उल्लेख शुरू होता है।
• एंडऑफ़सेट - दस्तावेज़ टेक्स्ट में ऑफ़सेट जहां उल्लेख समाप्त होता है।

इसे नेत्रहीन रूप से प्रदर्शित करने के लिए, आइए तीसरे उपयोग के मामले, नियोक्ता प्रतिक्रिया सर्वेक्षण का आउटपुट लें, और उन इकाई समूहों के माध्यम से चलें जो सर्वेक्षण, प्रबंधन और प्रशिक्षक को पूरा करने वाले कर्मचारी का प्रतिनिधित्व करते हैं।

आइए पहले "I" (प्रतिक्रिया लिखने वाला कर्मचारी) और पाठ में उल्लेख के स्थान से जुड़े सह-संदर्भ इकाई समूह के सभी उल्लेखों को देखें। DescriptiveMentionIndex इकाई के सूचकांक का प्रतिनिधित्व करता है जो उल्लेख करता है कि सह-संदर्भ इकाई समूह को सबसे अच्छा दर्शाता है (इस मामले में 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 } } } ] }

संस्थाओं का अगला समूह प्रबंधन से जुड़े सह-संदर्भ निकाय समूह के सभी उल्लेखों को पाठ में इसके स्थान के साथ प्रदान करता है। DescriptiveMentionIndex इकाई के सूचकांक का प्रतिनिधित्व करता है जो उल्लेख करता है कि सह-संदर्भ इकाई समूह को सबसे अच्छा दर्शाता है (इस मामले में management) इस उदाहरण में देखने योग्य बात यह है कि प्रबंधन के प्रति भावना का बदलाव है। आप इस डेटा का उपयोग यह अनुमान लगाने के लिए कर सकते हैं कि प्रबंधन के कार्यों के किन हिस्सों को सकारात्मक माना गया, और किन भागों को नकारात्मक माना गया और इसलिए इसमें सुधार किया जा सकता है।

{ "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 } } } ] }

समाप्त करने के लिए, आइए प्रशिक्षक के सभी उल्लेखों और पाठ में स्थान का निरीक्षण करें। DescriptiveMentionIndex इकाई के सूचकांक का प्रतिनिधित्व करता है जो उल्लेख करता है कि सह-संदर्भ इकाई समूह को सबसे अच्छा दर्शाता है (इस मामले में 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 } } } ] }

संदर्भ वास्तुकला

आप कई परिदृश्यों पर लक्षित मनोभाव लागू कर सकते हैं और व्यावसायिक मूल्य बढ़ाने के लिए मामलों का उपयोग कर सकते हैं, जैसे कि निम्न:

• सबसे सकारात्मक या नकारात्मक फीडबैक वाली संस्थाओं और उल्लेखों का पता लगाकर मार्केटिंग अभियानों और फीचर लॉन्च की प्रभावशीलता का निर्धारण करें
• क्वेरी आउटपुट यह निर्धारित करने के लिए कि कौन सी संस्थाएं और उल्लेख संबंधित इकाई से संबंधित हैं (सकारात्मक, नकारात्मक या तटस्थ)
• प्रक्रिया या प्रशिक्षण परिवर्तनों की प्रभावकारिता प्रदर्शित करने के लिए संपर्क केंद्रों में ग्राहक संपर्क जीवनचक्र में भावना का विश्लेषण करें

निम्नलिखित आरेख एक एंड-टू-एंड प्रक्रिया को दर्शाता है:

निष्कर्ष

अपने उत्पादों और सेवाओं के बारे में ग्राहकों से प्राप्त होने वाले इंटरैक्शन और फीडबैक संगठनों को समझना बेहतर उत्पादों और ग्राहक अनुभवों को विकसित करने में महत्वपूर्ण है। जैसे, बेहतर परिणामों का अनुमान लगाने के लिए अधिक बारीक विवरण की आवश्यकता होती है।

इस पोस्ट में, हमने कुछ उदाहरण प्रदान किए हैं कि कैसे इन बारीक विवरणों का उपयोग करने से संगठनों को उत्पादों, ग्राहक अनुभवों और प्रशिक्षण को बेहतर बनाने में मदद मिल सकती है, साथ ही सकारात्मक विशेषताओं को प्रोत्साहित और मान्य किया जा सकता है। उद्योगों में कई उपयोग के मामले हैं जहां आप प्रयोग कर सकते हैं और लक्षित भावना से मूल्य प्राप्त कर सकते हैं।

हम आपको इस नई सुविधा को अपने उपयोग के मामलों के साथ आज़माने के लिए प्रोत्साहित करते हैं। अधिक जानकारी के लिए और आरंभ करने के लिए, देखें लक्षित भावना.

लेखक के बारे में

राज पाठक कनाडा और संयुक्त राज्य अमेरिका में फॉर्च्यून 50 और मध्यम आकार के एफएसआई (बैंकिंग, बीमा, पूंजी बाजार) ग्राहकों के लिए एक समाधान वास्तुकार और तकनीकी सलाहकार है। राज दस्तावेज़ निष्कर्षण, संपर्क केंद्र परिवर्तन और कंप्यूटर विजन में अनुप्रयोगों के साथ मशीन लर्निंग में माहिर हैं।

संजीव पुलपाका अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) में यूएस फेड सिविलियन एसए टीम में एक वरिष्ठ समाधान वास्तुकार है। वह मिशन के महत्वपूर्ण समाधानों के निर्माण और वास्तुकला में ग्राहकों के साथ मिलकर काम करता है। संजीव के पास उच्च प्रभाव वाले प्रौद्योगिकी समाधानों का नेतृत्व, वास्तुकला और कार्यान्वयन में व्यापक अनुभव है जो वाणिज्यिक, संघीय, राज्य और स्थानीय सरकारों सहित कई क्षेत्रों में विविध व्यावसायिक आवश्यकताओं को पूरा करता है। उन्होंने भारतीय प्रौद्योगिकी संस्थान से इंजीनियरिंग में स्नातक की डिग्री और नोट्रे डेम विश्वविद्यालय से एमबीए किया है।

• कॉइनस्मार्ट। यूरोप का सर्वश्रेष्ठ बिटकॉइन और क्रिप्टो एक्सचेंज।
• प्लेटोब्लॉकचैन। Web3 मेटावर्स इंटेलिजेंस। ज्ञान प्रवर्धित। नि: शुल्क प्रवेश।
• क्रिप्टोहॉक। Altcoin रडार। मुफ्त परीक्षण।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/