Ekstrak sentimen granular dalam teks dengan Amazon Comprehend Targeted Sentimen

Amazon Comprehend adalah layanan pemrosesan bahasa alami (NLP) yang menggunakan pembelajaran mesin (ML) untuk menemukan wawasan dari teks. Sebagai layanan yang terkelola sepenuhnya, Amazon Comprehend tidak memerlukan keahlian ML dan dapat menskalakan ke volume data yang besar. Amazon Comprehend menyediakan beberapa perbedaan Lebah untuk mengintegrasikan NLP dengan mudah ke dalam aplikasi Anda. Anda cukup memanggil API di aplikasi Anda dan memberikan lokasi dokumen atau teks sumber. Entitas keluaran API, frasa kunci, sentimen, klasifikasi dokumen, dan bahasa dalam format yang mudah digunakan untuk aplikasi atau bisnis Anda.

API analisis sentimen yang disediakan oleh Amazon Comprehend membantu bisnis menentukan sentimen dokumen. Anda dapat mengukur sentimen keseluruhan dokumen sebagai positif, negatif, netral, atau campuran. Namun, untuk mendapatkan perincian dalam memahami sentimen yang terkait dengan produk atau merek tertentu, bisnis harus menggunakan solusi seperti memotong teks menjadi blok logis dan menyimpulkan sentimen yang diungkapkan terhadap produk tertentu.

Untuk membantu menyederhanakan proses ini, mulai hari ini, Amazon Comprehend meluncurkan Sentimen yang Ditargetkan fitur untuk analisis sentimen. Ini memberikan kemampuan untuk mengidentifikasi grup penyebutan (grup co-referensi) yang sesuai dengan entitas atau atribut dunia nyata tunggal, memberikan sentimen yang terkait dengan setiap penyebutan entitas, dan memberikan klasifikasi entitas dunia nyata berdasarkan a daftar entitas yang telah ditentukan sebelumnya.

Postingan ini memberikan ikhtisar tentang bagaimana Anda dapat memulai dengan sentimen bertarget Amazon Comprehend, mendemonstrasikan apa yang dapat Anda lakukan dengan output, dan menelusuri tiga kasus penggunaan sentimen tertarget yang umum.

Ikhtisar solusi

Berikut ini adalah contoh sentimen yang ditargetkan:

"Spa" adalah entitas utama, diidentifikasi sebagai tipe facility, dan disebutkan dua kali lagi, disebut sebagai kata ganti “itu.” Targeted Sentiment API memberikan sentimen terhadap setiap entitas. Sentimen positif berwarna hijau, negatif berwarna merah, dan netral berwarna biru. Kita juga bisa menentukan bagaimana sentimen terhadap spa berubah sepanjang kalimat. Kami menyelam lebih dalam ke API nanti di pos.

Kemampuan ini membuka beberapa kemampuan berbeda untuk bisnis. Tim pemasaran dapat melacak sentimen populer terhadap merek mereka di media sosial dari waktu ke waktu. Pedagang e-niaga dapat memahami atribut spesifik mana dari produk mereka yang paling baik dan paling buruk diterima oleh pelanggan. Operator pusat panggilan dapat menggunakan fitur ini untuk menambang transkrip untuk masalah eskalasi dan untuk memantau pengalaman pelanggan. Restoran, hotel, dan organisasi industri perhotelan lainnya dapat menggunakan layanan ini untuk mengubah kategori peringkat yang luas menjadi deskripsi yang kaya tentang pengalaman pelanggan yang baik dan buruk.

Kasus penggunaan sentimen yang ditargetkan

Targeted Sentiment API di Amazon Comprehend mengambil data teks seperti posting media sosial, ulasan aplikasi, dan transkripsi pusat panggilan sebagai input. Kemudian menganalisis input menggunakan kekuatan algoritma NLP untuk mengekstrak sentimen tingkat entitas secara otomatis. Sebuah entitas adalah referensi tekstual ke nama unik dari objek dunia nyata, seperti orang, tempat, dan barang komersial, selain referensi yang tepat untuk ukuran seperti tanggal dan jumlah. Untuk daftar lengkap entitas yang didukung, lihat Entitas Sentimen yang Ditargetkan.

Kami menggunakan Targeted Sentiment API untuk mengaktifkan kasus penggunaan berikut:

• Sebuah bisnis dapat mengidentifikasi bagian dari pengalaman karyawan/pelanggan yang menyenangkan dan bagian yang dapat ditingkatkan.
• Pusat kontak dan tim layanan pelanggan dapat menganalisis transkripsi panggilan atau log obrolan untuk mengidentifikasi efektivitas pelatihan agen, dan detail percakapan seperti reaksi spesifik dari pelanggan dan frasa atau kata yang digunakan untuk memicu respons tersebut.
• Pemilik produk dan pengembang UI/UX dapat mengidentifikasi fitur produk mereka yang dinikmati pengguna dan bagian yang memerlukan perbaikan. Ini dapat mendukung diskusi dan prioritas peta jalan produk.

Diagram berikut menggambarkan proses sentimen yang ditargetkan:

Dalam posting ini, kami mendemonstrasikan proses ini menggunakan tiga contoh ulasan berikut:

• Contoh 1: Ulasan bisnis dan produk – “Saya sangat suka betapa tebalnya jaket itu. Saya memakai jaket besar karena bahu saya lebar dan itulah yang saya pesan dan sangat pas di sana. Saya hampir merasa seperti balon keluar dari dada ke bawah. Saya pikir saya akan menggunakan tali di bagian bawah jaket untuk membantu menutupnya dan membawanya masuk, tetapi itu tidak berhasil. Jaketnya terasa sangat besar.”
• Contoh 2: Transkripsi pusat kontak – “Halo, ada blok penipuan di kartu kredit saya, dapatkah Anda menghapusnya untuk saya. Kartu kredit saya terus ditandai karena penipuan. Cukup menjengkelkan, setiap kali saya menggunakannya, saya terus ditolak. Saya akan membatalkan kartu jika ini terjadi lagi.”
• Contoh 3: Survei umpan balik pemberi kerja – “Saya senang manajemen meningkatkan keterampilan tim. Tetapi instruktur tidak membahas dasar-dasarnya dengan baik. Manajemen harus melakukan lebih banyak uji tuntas pada tingkat keterampilan semua orang untuk sesi mendatang.”

Siapkan datanya

Untuk memulai, unduh file contoh yang berisi contoh teks menggunakan Antarmuka Baris Perintah AWS (AWS CLI) dengan menjalankan perintah berikut:

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

Buat Layanan Penyimpanan Sederhana Amazon (Amazon S3), buka zip folder dan unggah folder yang berisi tiga file sampel. Pastikan Anda menggunakan Wilayah yang sama di seluruh.

Sekarang Anda dapat mengakses tiga contoh file teks di bucket S3 Anda.

Buat pekerjaan di Amazon Comprehend

Setelah Anda mengunggah file ke bucket S3 Anda, selesaikan langkah-langkah berikut:

1. Di konsol Amazon Comprehend, pilih Pekerjaan analisis di panel navigasi.
   
2. Pilih Ciptakan pekerjaan.
   
3. Untuk Nama, masukkan nama untuk pekerjaan Anda.
4. Untuk Jenis analisis, pilih Sentimen yang ditargetkan.
5. Bawah Memasukan data, masukkan lokasi Amazon S3 dari ts-sampel-data folder.
6. Untuk Masukkan format, pilih Satu dokumen per file.

Anda dapat mengubah konfigurasi ini jika data Anda berada dalam satu file yang dibatasi oleh garis.

7. Bawah Lokasi keluaran, masukkan lokasi Amazon S3 tempat Anda ingin menyimpan hasil pekerjaan.
8. Bawah Izin akses, Untuk Peran IAM, pilih yang sudah ada Identitas AWS dan Manajemen Akses (IAM) atau buat peran yang memiliki izin ke bucket S3.
9. Biarkan opsi lain sebagai default dan pilih Ciptakan pekerjaan.
   

Setelah Anda memulai pekerjaan, Anda dapat meninjau detail pekerjaan Anda. Total runtime pekerjaan tergantung pada ukuran data input.

10. Ketika pekerjaan selesai, di bawah Keluaran, pilih tautan ke lokasi data keluaran.
    

Di sini Anda dapat menemukan file keluaran terkompresi.

11. Unduh dan dekompresi file.

Anda sekarang dapat memeriksa file output untuk setiap contoh teks. Buka file di editor teks pilihan Anda untuk meninjau struktur respons API. Kami menjelaskan ini secara lebih rinci di bagian berikutnya.

Struktur respons API

Targeted Sentiment API menyediakan cara sederhana untuk menggunakan output dari pekerjaan Anda. Ini memberikan pengelompokan logis dari entitas (grup entitas) yang terdeteksi, bersama dengan sentimen untuk setiap entitas. Berikut ini adalah beberapa definisi dari field yang ada di response:

• entitas – Bagian penting dari dokumen. Sebagai contoh, Person, Place, Date, Food, atau Taste.
• Mention – Referensi atau penyebutan entitas dalam dokumen. Ini bisa berupa kata ganti atau kata benda umum seperti “itu”, “dia”, “buku”, dan seterusnya. Ini diatur dalam urutan berdasarkan lokasi (offset) dalam dokumen.
• DeskriptifMentionIndex – Indeks dalam Mentions yang memberikan gambaran terbaik dari grup entitas. Misalnya, "ABC Hotel" alih-alih "hotel", "it", atau penyebutan kata benda umum lainnya.
• Skor Grup – Keyakinan bahwa semua entitas yang disebutkan dalam grup terkait dengan entitas yang sama (seperti “saya”, “saya”, dan “saya sendiri” merujuk pada satu orang).
• Teks – Teks dalam dokumen yang menggambarkan entitas
• Tipe – Deskripsi tentang apa yang digambarkan entitas.
• Skor – Model keyakinan bahwa ini adalah entitas yang relevan.
• SebutkanSentimen – Sentimen aktual yang ditemukan untuk penyebutan tersebut.
• Sentimen – Nilai string dari positive, neutral, negative, atau mixed.
• SentimenScore – Model kepercayaan untuk setiap kemungkinan sentimen.
• MulaiOffset – Offset ke dalam teks dokumen tempat penyebutan dimulai.
• AkhirOffset – Offset ke dalam teks dokumen tempat penyebutan berakhir.

Untuk mendemonstrasikan ini secara visual, mari kita ambil output dari kasus penggunaan ketiga, survei umpan balik pemberi kerja, dan menelusuri grup entitas yang mewakili karyawan yang menyelesaikan survei, manajemen, dan instruktur.

Pertama-tama, mari kita lihat semua penyebutan kelompok entitas referensi bersama yang terkait dengan “Saya” (karyawan yang menulis tanggapan) dan lokasi penyebutan dalam teks. DescriptiveMentionIndex mewakili indeks entitas menyebutkan yang paling baik menggambarkan grup entitas referensi bersama (dalam hal ini 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 } } } ] }

Grup entitas berikutnya memberikan semua penyebutan grup entitas referensi bersama yang terkait dengan manajemen, beserta lokasinya dalam teks. DescriptiveMentionIndex mewakili indeks entitas menyebutkan yang paling baik menggambarkan grup entitas referensi bersama (dalam hal ini management). Hal yang perlu diperhatikan dalam contoh ini adalah pergeseran sentimen terhadap manajemen. Anda dapat menggunakan data ini untuk menyimpulkan bagian mana dari tindakan manajemen yang dianggap positif, dan bagian mana yang dianggap negatif sehingga dapat diperbaiki.

{ "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 } } } ] }

Sebagai penutup, mari kita amati semua penyebutan instruktur dan lokasinya dalam teks. DescriptiveMentionIndex mewakili indeks entitas menyebutkan yang paling baik menggambarkan grup entitas referensi bersama (dalam hal ini 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 } } } ] }

Arsitektur referensi

Anda dapat menerapkan sentimen yang ditargetkan ke banyak skenario dan kasus penggunaan untuk mendorong nilai bisnis, seperti berikut ini:

• Tentukan kemanjuran kampanye pemasaran dan peluncuran fitur dengan mendeteksi entitas dan penyebutan yang berisi umpan balik paling positif atau negatif
• Keluaran kueri untuk menentukan entitas dan penyebutan mana yang terkait dengan entitas terkait (positif, negatif, atau netral)
• Analisis sentimen di seluruh siklus hidup interaksi pelanggan di pusat kontak untuk menunjukkan kemanjuran proses atau perubahan pelatihan

Diagram berikut menggambarkan proses ujung ke ujung:

Kesimpulan

Memahami interaksi dan umpan balik yang diterima organisasi dari pelanggan tentang produk dan layanan mereka tetap penting dalam mengembangkan produk dan pengalaman pelanggan yang lebih baik. Dengan demikian, detail yang lebih terperinci diperlukan untuk menyimpulkan hasil yang lebih baik.

Dalam posting ini, kami memberikan beberapa contoh bagaimana menggunakan detail granular ini dapat membantu organisasi meningkatkan produk, pengalaman pelanggan, dan pelatihan sambil juga memberi insentif dan memvalidasi atribut positif. Ada banyak kasus penggunaan di seluruh industri tempat Anda dapat bereksperimen dan mendapatkan nilai dari sentimen yang ditargetkan.

Kami mendorong Anda untuk mencoba fitur baru ini dengan kasus penggunaan Anda. Untuk informasi lebih lanjut dan untuk memulai, lihat Sentimen yang Ditargetkan.

Tentang Penulis

Raja Pathak adalah Arsitek Solusi dan penasihat Teknis untuk pelanggan Fortune 50 dan FSI (Perbankan, Asuransi, Pasar Modal) Menengah di Kanada dan Amerika Serikat. Raj berspesialisasi dalam Pembelajaran Mesin dengan aplikasi dalam Ekstraksi Dokumen, Transformasi Pusat Kontak, dan Visi Komputer.

Sanjeev Pulapaka adalah Senior Solutions Architect di tim Fed Civilian SA AS di Amazon Web Services (AWS). Dia bekerja sama dengan pelanggan dalam membangun dan merancang solusi kritis misi. Sanjeev memiliki pengalaman luas dalam memimpin, merancang, dan menerapkan solusi teknologi berdampak tinggi yang menjawab beragam kebutuhan bisnis di berbagai sektor termasuk pemerintah komersial, federal, negara bagian, dan lokal. Dia memiliki gelar sarjana teknik dari Institut Teknologi India dan MBA dari Universitas Notre Dame.

• Coinsmart. Pertukaran Bitcoin dan Crypto Terbaik Eropa.
• Platoblockchain. Intelijen Metaverse Web3. Pengetahuan Diperkuat. AKSES GRATIS.
• CryptoHawk. Radar Altcoin. Uji Coba Gratis.
• Sumber: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/