Használjon kód nélküli gépi tanulást, hogy betekintést nyerjen a termékértékelésekből az Amazon SageMaker Canvas hangulatelemzési és szövegelemzési modelljei segítségével | Amazon webszolgáltatások

Szerint Gartner, a szoftvervásárlók 85%-a annyira megbízik az online véleményekben, mint a személyes ajánlásokban. Az ügyfelek számos csatornán keresztül adnak visszajelzést és véleményt a megvásárolt termékekről, ideértve az ismertető webhelyeket, a szállítói webhelyeket, az értékesítési hívásokat, a közösségi médiát és sok mást. A több csatornán keresztül érkező vásárlói vélemények növekvő mennyiségével az a probléma, hogy a vállalatok számára kihívást jelenthet az adatok hagyományos módszerekkel történő feldolgozása és érdemi betekintést nyerni. A gépi tanulás (ML) nagy mennyiségű termékértékelést képes elemezni, és azonosítani a megvitatott mintákat, érzéseket és témákat. Ezen információk birtokában a vállalatok jobban megérthetik az ügyfelek preferenciáit, a fájdalmas pontokat és az elégedettségi szinteket. Ezeket az információkat felhasználhatják termékek és szolgáltatások fejlesztésére, trendek azonosítására és stratégiai intézkedések megtételére, amelyek elősegítik az üzleti növekedést. Az ML megvalósítása azonban kihívást jelenthet az olyan vállalatok számára, amelyek nem rendelkeznek olyan erőforrásokkal, mint például az ML-gyakorlók, adattudósok vagy mesterséges intelligencia (AI) fejlesztők. Az újjal Amazon SageMaker Canvas funkciókat, az üzleti elemzők most már használhatják az ML-t, hogy betekintést nyerjenek a termékértékelésekből.

A SageMaker Canvas az üzleti elemzők funkcionális igényeinek megfelelően készült AWS nincs kód ML táblázatos adatok ad hoc elemzéséhez. A SageMaker Canvas egy vizuális, point-and-click szolgáltatás, amely lehetővé teszi az üzleti elemzők számára, hogy pontos ML előrejelzéseket készítsenek anélkül, hogy egyetlen kódsort is meg kellene írniuk, vagy ML-szakértelemre lenne szükségük. A modellek segítségével interaktív előrejelzéseket készíthet, és tömeges adatkészleteken kötegelt pontozást végezhet. A SageMaker Canvas teljes körűen felügyelt, használatra kész AI-modellt és egyedi modellmegoldásokat kínál. A gyakori ML-használati esetekben használhat egy használatra kész mesterséges intelligencia-modellt, hogy előrejelzéseket generáljon az adatokból, minden modellképzés nélkül. Az üzleti tartományra jellemző ML-használati esetekben betaníthat egy ML-modellt saját adataival az egyéni előrejelzéshez.

Ebben a bejegyzésben bemutatjuk, hogyan használhatjuk a használatra kész hangulatelemző modellt és az egyéni szövegelemzési modellt, hogy betekintést nyerjünk a termékértékelésekből. Ebben a felhasználási esetben szintetizált termékismertetőink állnak rendelkezésünkre, amelyekben elemezni kívánjuk a véleményeket, és terméktípusok szerint kategorizálni kívánjuk a véleményeket, hogy megkönnyítsük a minták és trendek megrajzolását, amelyek segíthetik az üzleti érdekelt feleket a megalapozottabb döntések meghozatalában. Először is leírjuk azokat a lépéseket, amelyekkel meghatározzuk a vélemények hangulatát a használatra kész hangulatelemző modell segítségével. Ezután végigvezetjük a szövegelemzési modell betanításán, amely a vélemények terméktípus szerinti kategorizálását teszi lehetővé. Ezután elmagyarázzuk, hogyan tekintheti át a betanított modell teljesítményét. Végül elmagyarázzuk, hogyan használhatjuk a betanított modellt előrejelzések végrehajtására.

A hangulatelemzés egy természetes nyelvi feldolgozás (NLP) használatra kész modell, amely a szöveget érzések szempontjából elemzi. A hangulatelemzés futtatható egysoros vagy kötegelt előrejelzésekhez. Az egyes szövegsorokhoz várható érzelmek pozitívak, negatívak, vegyesek vagy semlegesek.

A szövegelemzés lehetővé teszi a szövegek két vagy több kategóriába való besorolását egyéni modellek segítségével. Ebben a bejegyzésben a termékértékeléseket terméktípusok alapján kívánjuk osztályozni. Egy szövegelemzési egyéni modell betanításához egyszerűen adjon meg egy adatkészletet, amely a szövegből és a kapcsolódó kategóriákból áll egy CSV-fájlban. Az adatkészlethez legalább két kategória és kategóriánként 125 sornyi szöveg szükséges. A modell betanítása után áttekintheti a modell teljesítményét, és szükség esetén újra betaníthatja a modellt, mielőtt előrejelzésekhez használná.

Előfeltételek

Töltse ki a következő előfeltételeket:

1. Van egy AWS-fiók.
2. Beállítása SageMaker Canvas.
3. Töltse le a minta termékértékelési adatkészletek:
   • sample_product_reviews.csv – 2,000 szintetizált termékismertetőt tartalmaz, és hangulatelemzéshez és szövegelemzési előrejelzésekhez használják.
   • sample_product_reviews_training.csv – 600 szintetizált termékismertetőt és három termékkategóriát tartalmaz, és szövegelemzési modellképzésre szolgál.

Hangulatelemzés

Először a véleményelemzés segítségével határozza meg a termékértékelések véleményét az alábbi lépések végrehajtásával.

1. A SageMaker konzolkettyenés Vászon a navigációs ablakban, majd kattintson a gombra Nyissa meg a Canvast a SageMaker Canvas alkalmazás megnyitásához.
2. Kattints Használatra kész modellek a navigációs ablakban, majd kattintson a gombra Hangulatelemzés.
3. Kattints Kötegelt előrejelzés, majd kattintson a gombra Adatkészlet létrehozása.
4. Adja meg a Adatkészlet neve és kattintson Létrehozása.
5. Kattints Válasszon fájlokat a számítógépről hogy importálja a sample_product_reviews.csv adatkészlet.
6. Kattints Adatkészlet létrehozása és nézze át az adatokat. Az első oszlop a véleményeket tartalmazza, és hangulatelemzésre szolgál. A második oszlop az áttekintés azonosítóját tartalmazza, és csak referenciaként szolgál.
7. Kattints Adatkészlet létrehozása az adatfeltöltési folyamat befejezéséhez.
8. A Válassza ki az adatkészletet az előrejelzésekhez nézet, válassza a lehetőséget sample_product_reviews.csv majd kattintson az OK gombra Előrejelzések generálása. 
9. Amikor a kötegelőrejelzés kész, kattintson a gombra Megnézem az előrejelzések megtekintéséhez.

A Hangulat és a Bizalom oszlopok a hangulat és a bizalom pontszámát adják meg. A megbízhatósági pontszám egy 0 és 100% közötti statisztikai érték, amely azt mutatja meg, hogy mekkora valószínűséggel jósolják meg a hangulatot.

10. Kattints CSV letöltése hogy letöltse az eredményeket a számítógépére.

Szövegelemzés

Ebben a részben az egyéni modellel végzett szövegelemzés lépésein megyünk keresztül: az adatok importálása, a modell betanítása, majd az előrejelzések elkészítése.

Importálja az adatokat

Először importálja a képzési adatkészletet. Hajtsa végre a következő lépéseket:

1. On Használatra kész modellek oldalon kattintson Hozzon létre egy egyéni modellt
2. A Modell név, írjon be egy nevet (például Product Reviews Analysis). Kattintson a gombra szövegelemzés, majd kattintson a gombra Létrehozása.
3. A választ fülre kattintva Adatkészlet létrehozása hogy importálja a sample_product_reviews_training.csv adatkészlet.
4. Adja meg a Adatkészlet neve és kattintson Létrehozása.
5. Kattints Adatkészlet létrehozása és nézze át az adatokat. A képzési adatkészlet egy harmadik, termékkategóriát leíró oszlopot tartalmaz, a céloszlop három termékből áll: könyvek, videó és zene.
6. Kattints Adatkészlet létrehozása az adatfeltöltési folyamat befejezéséhez.
7. A Válassza ki az adatkészletet oldal, válassza ki sample_product_reviews_training.csv és kattintson Válassza ki az adatkészletet.

Tanítsd meg a modellt

Ezután konfigurálja a modellt a betanítási folyamat megkezdéséhez.

1. A Épít lapon, a Céloszlop legördülő menüben kattintson product_category mint a képzési cél.
2. Kattints product_review mint a forrás.
3. Kattints Gyors felépítés a modellképzés megkezdéséhez.

A gyors és a szabványos összeállítás közötti különbségekkel kapcsolatos további információkért lásd: Készítsen egyedi modellt.

Amikor a modell betanítása befejeződött, áttekintheti a modell teljesítményét, mielőtt előrejelzésre használná.

4. A Elemez lapon megjelenik a modell megbízhatósági pontszáma. A megbízhatósági pontszám azt jelzi, hogy egy modell mennyire biztos abban, hogy az előrejelzései helyesek. A Áttekintés lapon tekintse át az egyes kategóriák teljesítményét.
5. Kattints Pontozása a modell pontosságára vonatkozó betekintések áttekintésére.
6. Kattints Előzetes mutatók felülvizsgálja zavarmátrix és F1 pontszám.

Csinálj előrejelzéseket

Ha előrejelzést szeretne készíteni egyéni modelljével, hajtsa végre a következő lépéseket:

1. A Tippelje fülre kattintva Kötegelt előrejelzés, majd kattintson a gombra Kézikönyv.
2. Kattintson ugyanarra az adatkészletre, sample_product_reviews.csv, amelyet korábban a hangulatelemzéshez használt, majd kattintson a gombra Előrejelzések generálása.
3. Amikor a kötegelőrejelzés kész, kattintson a gombra Megnézem az előrejelzések megtekintéséhez.

Egyéni modell előrejelzéséhez némi időbe telik, amíg a SageMaker Canvas üzembe helyezi a modellt a kezdeti használatra. A SageMaker Canvas a költségek megtakarítása érdekében automatikusan leválasztja a modellt, ha 15 percig tétlen.

A Prediction (Kategória) és Confidence oszlopok a várható termékkategóriákat és megbízhatósági pontszámokat mutatják be.

4. Jelölje ki az elkészült munkát, jelölje ki a három pontot, és kattintson Letöltés hogy letöltse az eredményeket a számítógépére.

Tisztítsuk meg

Kattints Kijelentkezés a navigációs ablakban, hogy kijelentkezzen a SageMaker Canvas alkalmazásból, hogy leállítsa a fogyasztását Canvas session óra és engedje el az összes erőforrást.

Következtetés

Ebben a bejegyzésben bemutattuk, hogyan használhatod Amazon SageMaker Canvas hogy betekintést nyerjen a termékértékelésekből az ML szakértelem nélkül. Először is egy használatra kész hangulatelemzési modellt használt a termékértékelések véleményének meghatározására. Ezután szövegelemzést használt egy egyéni modell betanításához a gyors felépítési folyamattal. Végül a betanított modell segítségével termékkategóriákba sorolta a termékismertetőket. Mindezt egyetlen kódsor írása nélkül. Javasoljuk, hogy ismételje meg a szövegelemzési folyamatot a szabványos összeállítási folyamattal, hogy összehasonlítsa a modelleredményeket és az előrejelzés megbízhatóságát.

---

A szerzőkről

Gavin Satur az Amazon Web Services fő megoldási építésze. Vállalati ügyfelekkel dolgozik stratégiai, jól megtervezett megoldások kidolgozásán, és szenvedélyesen rajong az automatizálásért. A munkán kívül szereti a családi időt, teniszt, főzni és utazni.

Les Chan Sr. Solutions Architect az Amazon Web Servicesnél, székhelye a kaliforniai Irvine-ben található. Les szenvedélyesen dolgozik a vállalati ügyfelekkel a technológiai megoldások elfogadásán és bevezetésén, kizárólag az ügyfelek üzleti eredményeinek előmozdítására összpontosítva. Szakértelme kiterjed az alkalmazásarchitektúrára, a DevOps-ra, a szerver nélkülire és a gépi tanulásra.

Aaqib Bickiya a Dél-Kaliforniai székhelyű Amazon Web Services megoldástervezője. Segíti az üzlethelyiségben dolgozó vállalati ügyfeleket a projektek felgyorsításában és új technológiák bevezetésében. Az Aaqib fókuszterületei közé tartozik a gépi tanulás, a szerver nélküli, az analitika és a kommunikációs szolgáltatások

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/use-no-code-machine-learning-to-derive-insights-from-product-reviews-using-amazon-sagemaker-canvas-sentiment-analysis-and-text-analysis-models/