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:
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:
- Az Amazon Comprehend konzolon válassza a lehetőséget Elemző munkák a navigációs ablaktáblában.
- 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.
- A Név, adja meg a munkája nevét.
- A Elemzés típusa, választ Célzott hangulat.
- Alatt Beviteli adat, adja meg az Amazon S3 helyét a ts-sample-data mappát.
- A Bemeneti formátum, választ Fájlonként egy dokumentum.
Módosíthatja ezt a konfigurációt, ha az adatok egyetlen fájlban vannak, sorokkal elválasztva.
- Alatt Kimenet helye, adja meg azt az Amazon S3 helyet, ahová menteni szeretné a munka kimenetét.
- 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.
- 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.
- Amikor a munka befejeződött, alatt teljesítmény, válassza ki a hivatkozást a kimeneti adatok helyére.
Itt talál egy tömörített kimeneti fájlt.
- 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
,Food
vagyTaste
. - 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
,negative
vagymixed
. - 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
):
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.
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
):
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/
- "
- 100
- 11
- 7
- 9
- Rólunk
- hozzáférés
- át
- cselekvések
- cím
- tanácsadó
- algoritmusok
- Minden termék
- amazon
- Az Amazon Web Services
- elemzés
- api
- API-k
- Alkalmazás
- alkalmazások
- AWS
- Banking
- Alapjai
- BEST
- Blokk
- határ
- márka
- Épület
- üzleti
- vállalkozások
- hívás
- Kampányok
- Kaphat
- Kanada
- képességek
- tőke
- Tőkepiacok
- esetek
- változik
- besorolás
- kereskedelmi
- Közös
- bizalom
- Configuration
- Konzol
- fogyaszt
- Beszélgetés
- hitel
- hitelkártya
- kritikus
- Vásárlói élmény
- Vevőszolgálat
- Ügyfelek
- dátum
- Időpontok
- mélyebb
- részlet
- észlelt
- fejlesztők
- fejlesztése
- DID
- különböző
- szorgalom
- le-
- könnyen
- e-kereskedelem
- szerkesztő
- ösztönzése
- vége
- Mérnöki
- példa
- tapasztalat
- Tapasztalatok
- kísérlet
- szakvélemény
- Funkció
- Jellemzők
- Fed
- Szövetségi
- Visszacsatolás
- Fields
- vezetéknév
- Első ránézésre
- következő
- formátum
- talált
- csalás
- Tele
- jövő
- szerzés
- megy
- jó
- A kormányok
- Zöld
- Csoport
- segít
- Hogyan
- HTTPS
- azonosítani
- Identitás
- javul
- Beleértve
- index
- iparágak
- ipar
- információ
- meglátások
- biztosítás
- integrálni
- kölcsönhatás
- kérdések
- IT
- Munka
- Állások
- Kulcs
- nyelv
- nagy
- elindítja
- indítás
- vezető
- tanulás
- szint
- vonal
- LINK
- Lista
- helyi
- elhelyezkedés
- gép
- gépi tanulás
- vezetés
- Marketing
- piacok
- Média
- megemlíti
- kereskedők
- Küldetés
- vegyes
- ML
- modell
- a legtöbb
- Természetes
- Navigáció
- eltolt
- nyitva
- nyit
- Opciók
- érdekében
- szervezet
- szervezetek
- Más
- tulajdonosok
- Emberek (People)
- kifejezés
- Népszerű
- lehetséges
- Hozzászólások
- hatalom
- elsődleges
- folyamat
- Termékek
- Termékek
- ad
- biztosít
- értékelés
- reakciók
- kap
- jelentése
- szükség
- kötelező
- válasz
- Éttermek
- Kritika
- Vélemények
- ütemterv
- futás
- Skála
- ágazatok
- érzés
- szolgáltatás
- Szolgáltatások
- váltás
- jelentős
- Egyszerű
- Méret
- So
- Közösség
- Közösségi média
- Megoldások
- valami
- specializálódott
- kezdet
- kezdődött
- Állami
- Államok
- tárolás
- támogatás
- Támogatott
- Felmérés
- csapat
- Műszaki
- Technológia
- Az alapok
- The Source
- Keresztül
- egész
- idő
- Ma
- vágány
- Képzések
- Átalakítás
- nekünk
- megért
- egyedi
- Egyesült
- Egyesült Államok
- egyetemi
- használ
- Felhasználók
- érték
- látomás
- háló
- webes szolgáltatások
- Mit
- szavak
- Munka
- művek
- írás