Az Amazon Comprehend Targeted Sentiment segítségével kivonhatja a szemcsés hangulatot szövegből

Amazon Comprehend egy természetes nyelvi feldolgozó (NLP) szolgáltatás, amely gépi tanulást (ML) használ a szövegből származó információk felfedezésére. Teljesen felügyelt szolgáltatásként az Amazon Comprehend nem igényel ML szakértelmet, és nagy mennyiségű adatra méretezhető. Az Amazon Comprehend számos különféle lehetőséget kínál API-k hogy könnyen integrálja az NLP-t alkalmazásaiba. Egyszerűen meghívhatja az API-kat az alkalmazásban, és megadhatja a forrásdokumentum vagy szöveg helyét. Az API-k entitásokat, kulcskifejezéseket, hangulatot, dokumentumosztályozást és nyelvet adnak ki az alkalmazás vagy vállalkozás számára könnyen használható formátumban.

Az Amazon Comprehend által biztosított hangulatelemző API-k segítenek a vállalkozásoknak meghatározni egy dokumentum hangulatát. A dokumentum általános hangulatát pozitív, negatív, semleges vagy vegyesként értékelheti. Az egyes termékekhez vagy márkákhoz kapcsolódó érzelmek megértésének részletesebb megértéséhez azonban a vállalkozásoknak olyan kerülő megoldásokat kellett alkalmazniuk, mint a szöveg logikai blokkokra való feldarabolása, és az adott termékkel kapcsolatos érzelmek kikövetkeztetése.

A folyamat egyszerűsítése érdekében mától az Amazon Comprehend elindítja a Célzott érzelem a hangulatelemzés funkciója. Ez lehetővé teszi az egyetlen valós világbeli entitásnak vagy attribútumnak megfelelő említéscsoportok (társreferencia-csoportok) azonosítását, az egyes entitásemlítésekhez társított érzések biztosítását, valamint a valós világ entitásainak besorolását egy az entitások előre meghatározott listája.

Ez a bejegyzés áttekintést ad arról, hogyan kezdheti meg az Amazon Comprehend célzott érzelmeit, bemutatja, mit tehet a kimenettel, és három gyakori célzott érzéshasználati esetet mutat be.

Megoldás áttekintése

A következő példa a célzott érzelmekre:

A „Spa” az elsődleges entitás, típusként azonosítva facility, és még kétszer említik, az „it” névmásként emlegetik. A Targeted Sentiment API biztosítja az egyes entitások felé irányuló véleményt. A pozitív hangulat zöld, a negatív a piros, a semleges pedig a kék. Azt is meghatározhatjuk, hogy a fürdő iránti hangulat hogyan változik a mondat során. A bejegyzés későbbi részében mélyebben belemerülünk az API-ba.

Ez a képesség számos különböző lehetőséget nyit meg a vállalkozások számára. A marketingcsapatok idővel nyomon követhetik a közösségi médiában a márkáikkal kapcsolatos népszerű érzéseket. Az e-kereskedelmi kereskedők megérthetik, hogy termékeik mely jellemzőit fogadták legjobban és legrosszabbul az ügyfelek. A telefonközpont üzemeltetői használhatják a funkciót az eszkalációs problémák átiratainak bányászására és az ügyfélélmény nyomon követésére. Éttermek, szállodák és más vendéglátóipari szervezetek használhatják a szolgáltatást arra, hogy a széles értékelési kategóriákat a jó és rossz vásárlói élmények gazdag leírásává alakítsák.

Célzott hangulathasználati esetek

Az Amazon Comprehend Targeted Sentiment API-ja olyan szöveges adatokat fogad be, mint a közösségi médiában közzétett bejegyzések, az alkalmazások áttekintései és a call center átírásai. Ezután elemzi a bemenetet az NLP-algoritmusok segítségével, hogy automatikusan kivonja az entitásszintű hangulatot. An egység egy szöveges hivatkozás egy valós objektum egyedi nevére, például emberekre, helyekre és kereskedelmi cikkekre, a mértékekre, például dátumokra és mennyiségekre való pontos hivatkozások mellett. A támogatott entitások teljes listáját lásd: Célzott érzelmi entitások.

A Targeted Sentiment API-t használjuk a következő használati esetek engedélyezéséhez:

• A vállalkozás azonosíthatja az alkalmazotti/ügyfélélmény azon részeit, amelyek élvezetesek, és melyek azok a részek, amelyeken javítani lehet.
• A kapcsolattartó központok és az ügyfélszolgálati csapatok elemezhetik az ügyeleti átiratokat vagy csevegési naplókat, hogy azonosítsák az ügynökképzés hatékonyságát, valamint a beszélgetés részleteit, például az ügyfél konkrét reakcióit és a válasz tiltására használt kifejezéseket vagy szavakat.
• A terméktulajdonosok és az UI/UX fejlesztők azonosíthatják termékeik azon funkcióit, amelyeket a felhasználók élveznek, és a fejlesztésre szoruló alkatrészeket. Ez támogathatja a termékterv-megbeszéléseket és a prioritások meghatározását.

Az alábbi diagram szemlélteti a célzott hangulati folyamatot:

Ebben a bejegyzésben ezt a folyamatot mutatjuk be a következő három mintaértékelés segítségével:

• 1. minta: Üzleti és termékismertető – „Nagyon szeretem, milyen vastag a kabát. Nagy kabátot hordok, mert széles vállam van, és ezt rendeltem, és tökéletesen illeszkedik. Szinte úgy érzem, mintha a mellkastól lefelé szállna ki. Arra gondoltam, hogy a kabát alján lévő zsinórokkal segítek bezárni és bevinni, de ezek nem működnek. A kabát nagyon terjedelmesnek tűnik.”
• 2. minta: Contact center átírás – „Üdvözöljük, csalási blokk van a hitelkártyámon, el tudná távolítani helyettem. A hitelkártyámat folyamatosan csalás miatt jelzik. Elég bosszantó, minden alkalommal, amikor használni megyek, mindig visszautasítanak. Törölni fogom a kártyát, ha ez megismétlődik.”
• 3. minta: Munkáltatói visszajelzések felmérése – „Örülök, hogy a vezetőség fejleszti a csapat képzettségét. De az oktató nem ment át jól az alapokon. A vezetőségnek nagyobb gondot kell fordítania mindenki képzettségi szintjére a jövőbeli üléseken.”

Készítse elő az adatokat

A kezdéshez töltse le a példaszöveget tartalmazó mintafájlokat a AWS parancssori interfész (AWS CLI) a következő parancsok futtatásával:

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

Létrehozása Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödörbe, csomagolja ki a mappát, és töltse fel a három mintafájlt tartalmazó mappát. Győződjön meg arról, hogy ugyanazt a Régiót használja végig.

Mostantól elérheti az S3 tárolójában található három minta szövegfájlt.

Hozzon létre egy állást az Amazon Comprehendben

Miután feltöltötte a fájlokat az S3 tárolóba, hajtsa végre a következő lépéseket:

1. Az Amazon Comprehend konzolon válassza a lehetőséget Elemző munkák a navigációs ablaktáblában.
   
2. A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Állás létrehozása.
   
3. A Név, adja meg a munkája nevét.
4. A Elemzés típusa, választ Célzott hangulat.
5. Alatt Beviteli adat, adja meg az Amazon S3 helyét a ts-sample-data mappát.
6. A Bemeneti formátum, választ Fájlonként egy dokumentum.

Módosíthatja ezt a konfigurációt, ha az adatok egyetlen fájlban vannak, sorokkal elválasztva.

7. Alatt Kimenet helye, adja meg azt az Amazon S3 helyet, ahová menteni szeretné a munka kimenetét.
8. Alatt Hozzáférési engedélyek, A IAM szerepkör, válasszon egy meglévőt AWS Identity and Access Management (IAM) szerepkört, vagy hozzon létre olyat, amely jogosult az S3 gyűjtőcsoporthoz.
9. Hagyja a többi lehetőséget alapértelmezettként, és válassza ki Állás létrehozása.
   

A munka megkezdése után áttekintheti a munka adatait. A teljes feladat futási ideje a bemeneti adatok méretétől függ.

10. Amikor a munka befejeződött, alatt teljesítmény, válassza ki a hivatkozást a kimeneti adatok helyére.
    

Itt talál egy tömörített kimeneti fájlt.

11. Töltse le és csomagolja ki a fájlt.

Mostantól megtekintheti az egyes mintaszövegek kimeneti fájljait. Nyissa meg a fájlokat az előnyben részesített szövegszerkesztőben az API válaszstruktúrájának áttekintéséhez. Ezt a következő részben részletesebben ismertetjük.

API válaszstruktúra

A Targeted Sentiment API egyszerű módot biztosít a feladatok kimenetének felhasználására. Az észlelt entitások (entitáscsoportok) logikai csoportosítását biztosítja az egyes entitások hangulatával együtt. Az alábbiakban néhány definíció található a válaszban szereplő mezőkről:

• szervezetek – A dokumentum jelentős részei. Például, Person, Place, Date, Foodvagy Taste.
• Említi – Az entitás hivatkozásai vagy említése a dokumentumban. Ezek lehetnek névmások vagy köznevek, például „it”, „ő”, „könyv” stb. Ezek a dokumentumban hely szerint (eltolás) vannak rendezve.
• DescriptiveMentionIndex – Az index be Mentions amely a legjobban ábrázolja az entitáscsoportot. Például: „ABC Hotel” a „hotel”, „it” vagy más gyakori főnévi említések helyett.
• GroupScore – Az a bizalom, hogy a csoportban említett összes entitás ugyanahhoz az entitáshoz kapcsolódik (például „én”, „én” és „magam” egy személyre utalva).
• szöveg – Az entitást ábrázoló szöveg a dokumentumban
• típus – Annak leírása, amit az entitás ábrázol.
• Pontszám – A modell meggyőződése, hogy ez egy releváns entitás.
• MentionSentiment – Az említésre talált tényleges hangulat.
• Érzés – A karakterlánc értéke positive, neutral, negativevagy mixed.
• SentimentScore – A modell bizalom minden lehetséges érzéshez.
• BeginOffset – Az eltolás a dokumentum szövegébe, ahol az említés kezdődik.
• EndOffset – Az eltolás a dokumentum szövegébe, ahol az említés véget ér.

Ennek vizuális bemutatásához vegyük a harmadik felhasználási eset, a munkáltatói visszajelzések felmérésének eredményét, és járjuk végig a felmérést kitöltő munkavállalót, a menedzsmentet és az oktatót képviselő entitáscsoportokat.

Először nézzük meg az „én”-hez (a választ író alkalmazott) társított társ-referencia entitáscsoport összes említését és az említés helyét a szövegben. DescriptiveMentionIndex az entitásmegemlítések indexeit képviseli, amelyek a legjobban ábrázolják a társreferencia entitáscsoportot (ebben az esetben 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 } } } ] }

Az entitások következő csoportja tartalmazza a kezeléssel társított társreferencia entitáscsoport összes említését, valamint annak szövegbeli helyét. DescriptiveMentionIndex az entitásmegemlítések indexeit képviseli, amelyek a legjobban ábrázolják a társreferencia entitáscsoportot (ebben az esetben management). Ebben a példában meg kell figyelni a menedzsment irányába való eltolódást. Ezekből az adatokból következtethet arra, hogy a vezetés tevékenységeinek mely részeit észlelték pozitívnak, és melyek azok a részek, amelyeket negatívnak észleltek, és ezért ezeken lehet javítani.

{ "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 } } } ] }

Befejezésül figyeljük meg az oktató és a helyszín minden említését a szövegben. DescriptiveMentionIndex az entitásmegemlítések indexeit képviseli, amelyek a legjobban ábrázolják a társreferencia entitáscsoportot (ebben az esetben 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 } } } ] }

Referencia architektúra

Célzott hangulatot alkalmazhat számos forgatókönyvre, és alkalmazhat eseteket az üzleti érték növelésére, például a következőkre:

• Határozza meg a marketingkampányok és a funkciók bevezetésének hatékonyságát a legtöbb pozitív vagy negatív visszajelzést tartalmazó entitások és említések észlelésével
• Lekérdezési kimenet annak meghatározásához, hogy mely entitások és említések kapcsolódnak egy megfelelő entitáshoz (pozitív, negatív vagy semleges)
• Elemezze a hangulatot az ügyfélkapcsolati életciklus során a kapcsolattartó központokban, hogy bemutassa a folyamat- vagy képzési változtatások hatékonyságát

Az alábbi diagram egy végponttól végpontig terjedő folyamatot mutat be:

Következtetés

A szervezetek által termékeikről és szolgáltatásaikról az ügyfelektől kapott interakciók és visszajelzések megértése továbbra is kulcsfontosságú a jobb termékek és vásárlói élmények fejlesztésében. Ennek megfelelően részletesebb részletekre van szükség a jobb eredmények megállapításához.

Ebben a bejegyzésben néhány példát mutatunk be arra, hogy ezeknek a részletes adatoknak a használata hogyan segítheti a szervezeteket a termékek, az ügyfélélmény és a képzés fejlesztésében, miközben ösztönzi és érvényesíti a pozitív tulajdonságokat. Számos olyan felhasználási eset létezik az iparágakban, ahol kísérletezhet a célzott hangulattal, és értéket nyerhet belőle.

Javasoljuk, hogy próbálja ki ezt az új funkciót használati eseteivel. További információkért és a kezdéshez lásd: Célzott érzelem.

A szerzőkről

Raj Pathak megoldástervező és műszaki tanácsadó a Fortune 50 és közepes méretű FSI (banki, biztosítási, tőkepiaci) ügyfelek számára Kanadában és az Egyesült Államokban. Raj a gépi tanulásra szakosodott a dokumentumkivonás, a kapcsolattartó központ átalakítás és a számítógépes látás alkalmazásokkal.

Sanjeev Pulapaka az Amazon Web Services (AWS) amerikai Fed Civilian SA csapatának vezető megoldástervezője. Szorosan együttműködik az ügyfelekkel a küldetéskritikus megoldások építésében és tervezésében. Sanjeev kiterjedt tapasztalattal rendelkezik a nagy hatású technológiai megoldások vezetésében, tervezésében és megvalósításában, amelyek különféle üzleti igényeket elégítenek ki több szektorban, beleértve a kereskedelmi, szövetségi, állami és helyi önkormányzatokat. Mérnöki alapdiplomáját az Indian Institute of Technology-n, valamint MBA diplomát a Notre Dame Egyetemen szerzett.

• Coinsmart. Európa legjobb Bitcoin- és kriptográfiai tőzsdéje.
• Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. SZABAD HOZZÁFÉRÉS.
• CryptoHawk. Altcoin radar. Ingyenes próbaverzió.
• Forrás: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/