Estrai il sentiment granulare nel testo con Amazon Comprehend Targeted Sentiment

Amazon Comprehend è un servizio di elaborazione del linguaggio naturale (NLP) che utilizza l'apprendimento automatico (ML) per scoprire informazioni dettagliate dal testo. Essendo un servizio completamente gestito, Amazon Comprehend non richiede competenze di ML e può scalare fino a grandi volumi di dati. Amazon Comprehend ne fornisce diversi API per integrare facilmente la NLP nelle tue applicazioni. Puoi semplicemente chiamare le API nella tua applicazione e fornire la posizione del documento o del testo di origine. Le API generano entità, frasi chiave, sentiment, classificazione dei documenti e lingua in un formato facile da usare per la tua applicazione o azienda.

Le API di analisi del sentimento fornite da Amazon Comprehend aiutano le aziende a determinare il sentimento di un documento. Puoi valutare il sentimento generale di un documento come positivo, negativo, neutro o misto. Tuttavia, per ottenere la granularità della comprensione del sentimento associato a prodotti o marchi specifici, le aziende hanno dovuto adottare soluzioni alternative come suddividere il testo in blocchi logici e dedurre il sentimento espresso nei confronti di un prodotto specifico.

Per aiutare a semplificare questo processo, a partire da oggi, Amazon Comprehend sta lanciando il Sentimento mirato funzione per l'analisi del sentimento. Ciò fornisce la capacità di identificare gruppi di citazioni (gruppi di riferimento) corrispondenti a una singola entità o attributo del mondo reale, fornire il sentimento associato a ciascuna menzione di entità e fornire la classificazione dell'entità del mondo reale basata su un elenco predeterminato di entità.

Questo post fornisce una panoramica di come iniziare con Amazon Comprehend sentiment mirato, mostra cosa puoi fare con l'output e illustra tre casi d'uso comuni di sentiment mirati.

Panoramica della soluzione

Quello che segue è un esempio di sentimento mirato:

“Spa” è l'entità primaria, identificata come tipologia facility, ed è menzionato altre due volte, indicato come il pronome “it”. L'API del sentimento mirato fornisce il sentimento verso ciascuna entità. Il sentimento positivo è verde, negativo è rosso e neutro è blu. Possiamo anche determinare come cambia il sentimento nei confronti della spa durante la frase. Approfondiamo l'API più avanti nel post.

Questa capacità apre diverse funzionalità per le aziende. I team di marketing possono monitorare i sentimenti popolari nei confronti dei loro marchi nei social media nel tempo. I commercianti di e-commerce possono capire quali attributi specifici dei loro prodotti sono stati ricevuti meglio e peggio dai clienti. Gli operatori di call center possono utilizzare la funzione per estrarre le trascrizioni per problemi di escalation e per monitorare l'esperienza del cliente. Ristoranti, hotel e altre organizzazioni del settore dell'ospitalità possono utilizzare il servizio per trasformare ampie categorie di valutazioni in descrizioni dettagliate di esperienze positive e negative dei clienti.

Casi d'uso del sentiment mirati

L'API Targeted Sentiment in Amazon Comprehend accetta dati di testo come post sui social media, recensioni di applicazioni e trascrizioni di call center come input. Quindi analizza l'input utilizzando la potenza degli algoritmi NLP per estrarre automaticamente il sentiment a livello di entità. Un entità è un riferimento testuale al nome univoco di un oggetto del mondo reale, come persone, luoghi e articoli commerciali, oltre a riferimenti precisi a misure come date e quantità. Per un elenco completo delle entità supportate, fare riferimento a Entità sentimentali mirate.

Utilizziamo l'API Targeted Sentiment per abilitare i seguenti casi d'uso:

• Un'azienda può identificare parti dell'esperienza del dipendente/cliente che sono piacevoli e parti che possono essere migliorate.
• I contact center e i team del servizio clienti possono analizzare le trascrizioni di chiamata o i registri delle chat per identificare l'efficacia della formazione degli agenti e i dettagli della conversazione come le reazioni specifiche di un cliente e le frasi o le parole utilizzate per rendere illecita tale risposta.
• I proprietari di prodotti e gli sviluppatori UI/UX possono identificare le caratteristiche del loro prodotto che piacciono agli utenti e le parti che richiedono miglioramenti. Ciò può supportare le discussioni sulla roadmap del prodotto e la definizione delle priorità.

Il diagramma seguente illustra il processo di valutazione mirato:

In questo post, dimostriamo questo processo utilizzando le seguenti tre recensioni di esempio:

• Esempio 1: recensione aziendale e del prodotto – “Mi piace molto quanto sia spessa la giacca. Indosso una giacca ampia perché ho le spalle larghe ed è quello che ho ordinato e ci sta perfettamente. Mi sento quasi come se si gonfiasse dal petto in giù. Ho pensato di usare le stringhe nella parte inferiore della giacca per chiuderla e portarla dentro, ma non funzionano. La giacca sembra molto ingombrante.
• Esempio 2: trascrizione del contact center – “Ciao, c'è un blocco frode sulla mia carta di credito, puoi rimuoverlo per me. La mia carta di credito continua a essere segnalata per frode. È abbastanza fastidioso, ogni volta che lo uso, continuo a essere rifiutato. Cancellerò la carta se ciò dovesse accadere di nuovo".
• Esempio 3: Sondaggio di feedback dei datori di lavoro – “Sono contento che la dirigenza stia migliorando le competenze della squadra. Ma l'istruttore non ha approfondito bene le basi. La direzione dovrebbe fare più due diligence sul livello di abilità di tutti per le sessioni future".

Prepara i dati

Per iniziare, scarica i file di esempio contenenti il ​​testo di esempio utilizzando il file Interfaccia della riga di comando di AWS (AWS CLI) eseguendo i seguenti comandi:

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

Creare un Servizio di archiviazione semplice Amazon (Amazon S3), decomprimi la cartella e carica la cartella contenente i tre file di esempio. Assicurati di utilizzare la stessa regione in tutto.

Ora puoi accedere ai tre file di testo di esempio nel tuo bucket S3.

Crea un lavoro in Amazon Comprehend

Dopo aver caricato i file nel bucket S3, completa i seguenti passaggi:

1. Sulla console di Amazon Comprehend, scegli Lavori di analisi nel pannello di navigazione.
   
2. Scegli Crea lavoro.
   
3. Nel Nome, inserisci un nome per il tuo lavoro.
4. Nel Tipo di analisiscegli Sentimento mirato.
5. Sotto Dati in ingresso, inserisci la posizione Amazon S3 di ts-campione-dati cartella.
6. Nel Formato di inputscegli Un documento per file.

Puoi modificare questa configurazione se i tuoi dati sono in un unico file delimitato da righe.

7. Sotto Posizione di uscita, inserisci la posizione Amazon S3 in cui desideri salvare l'output del lavoro.
8. Sotto Autorizzazioni di accesso, Per Ruolo IAM, scegli un esistente Gestione dell'identità e dell'accesso di AWS (IAM) o crearne uno che disponga delle autorizzazioni per il bucket S3.
9. Lascia le altre opzioni come predefinite e scegli Crea lavoro.
   

Dopo aver iniziato il lavoro, puoi rivedere i dettagli del tuo lavoro. Il tempo di esecuzione totale del lavoro dipende dalla dimensione dei dati di input.

10. Quando il lavoro è completo, sotto Uscita, scegli il collegamento alla posizione dei dati di output.
    

Qui puoi trovare un file di output compresso.

11. Scarica e decomprimi il file.

È ora possibile esaminare i file di output per ogni testo di esempio. Apri i file nel tuo editor di testo preferito per rivedere la struttura della risposta dell'API. Descriviamo questo in modo più dettagliato nella prossima sezione.

Struttura di risposta dell'API

L'API Targeted Sentiment fornisce un modo semplice per consumare l'output dei tuoi lavori. Fornisce un raggruppamento logico delle entità (gruppi di entità) rilevate, insieme al sentimento per ciascuna entità. Di seguito sono riportate alcune definizioni dei campi che si trovano nella risposta:

• Entità – Le parti significative del documento. Per esempio, Person, Place, Date, Food, o Taste.
• Menzioni – I riferimenti o le menzioni dell'entità nel documento. Questi possono essere pronomi o nomi comuni come "esso", "lui", "libro" e così via. Questi sono organizzati in ordine per posizione (offset) nel documento.
• Indice Menzione Descrittiva – L'indice in Mentions che fornisce la migliore rappresentazione del gruppo di entità. Ad esempio, "ABC Hotel" invece di "hotel", "it" o altri nomi comuni.
• Punteggio di gruppo – La certezza che tutte le entità menzionate nel gruppo siano correlate alla stessa entità (come "io", "me" e "me stesso" riferendosi a una persona).
• Testo – Il testo nel documento che raffigura l'entità
• Tipologia – Una descrizione di ciò che l'entità raffigura.
• Risultato – La fiducia del modello che si tratti di un'entità rilevante.
• Menzione Sentimento – Il vero sentimento trovato per la menzione.
• Sentiment – Il valore della stringa di positive, neutral, negative, o mixed.
• Punteggio Sentimento – Il modello di fiducia per ogni possibile sentimento.
• Inizia Offset – L'offset nel testo del documento in cui inizia la menzione.
• Scostamento finale – L'offset nel testo del documento in cui termina la citazione.

Per dimostrarlo visivamente, prendiamo l'output del terzo caso d'uso, il sondaggio di feedback del datore di lavoro, ed esaminiamo i gruppi di entità che rappresentano il dipendente che completa il sondaggio, la direzione e l'istruttore.

Diamo prima un'occhiata a tutte le menzioni del gruppo di entità di co-riferimento associato a “I” (il dipendente che scrive la risposta) e alla posizione della menzione nel testo. DescriptiveMentionIndex rappresenta gli indici delle citazioni di entità che meglio rappresentano il gruppo di entità di riferimento (in questo caso 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 } } } ] }

Il successivo gruppo di entità fornisce tutte le menzioni del gruppo di entità di riferimento associato alla gestione, insieme alla sua posizione nel testo. DescriptiveMentionIndex rappresenta gli indici delle citazioni di entità che meglio rappresentano il gruppo di entità di riferimento (in questo caso management). Qualcosa da osservare in questo esempio è lo spostamento del sentimento verso il management. È possibile utilizzare questi dati per dedurre quali parti delle azioni del management sono state percepite come positive e quali parti sono state percepite come negative e quindi possono essere migliorate.

{ "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 } } } ] }

Per concludere, osserviamo tutte le citazioni dell'istruttore e la posizione nel testo. DescriptiveMentionIndex rappresenta gli indici delle citazioni di entità che meglio rappresentano il gruppo di entità di riferimento (in questo caso 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 } } } ] }

Architettura di riferimento

Puoi applicare il sentiment mirato a molti scenari e casi d'uso per aumentare il valore aziendale, come i seguenti:

• Determina l'efficacia delle campagne di marketing e dei lanci di funzionalità rilevando le entità e le menzioni che contengono il feedback più positivo o negativo
• Output della query per determinare quali entità e menzioni si riferiscono a un'entità corrispondente (positiva, negativa o neutra)
• Analizza il sentiment attraverso il ciclo di vita dell'interazione con i clienti nei contact center per dimostrare l'efficacia dei cambiamenti di processo o di formazione

Il diagramma seguente illustra un processo end-to-end:

Conclusione

Comprendere le interazioni e il feedback che le organizzazioni ricevono dai clienti sui loro prodotti e servizi rimane fondamentale per lo sviluppo di prodotti e customer experience migliori. Pertanto, sono necessari dettagli più granulari per dedurre risultati migliori.

In questo post, abbiamo fornito alcuni esempi di come l'utilizzo di questi dettagli dettagliati può aiutare le organizzazioni a migliorare i prodotti, le esperienze dei clienti e la formazione, incentivando e convalidando allo stesso tempo attributi positivi. Esistono molti casi d'uso in tutti i settori in cui è possibile sperimentare e ottenere valore dal sentiment mirato.

Ti invitiamo a provare questa nuova funzionalità con i tuoi casi d'uso. Per ulteriori informazioni e per iniziare, fare riferimento a Sentimento mirato.

Informazioni sugli autori

Raja Pathak è un Solutions Architect e un consulente tecnico per i clienti Fortune 50 e Mid-Sized FSI (Banking, Insurance, Capital Markets) in Canada e negli Stati Uniti. Raj è specializzato in Machine Learning con applicazioni in Document Extraction, Contact Center Transformation e Computer Vision.

Sanjeev Pulapaka è Senior Solutions Architect nel team US Fed Civilian SA presso Amazon Web Services (AWS). Lavora a stretto contatto con i clienti nella costruzione e nell'architettura di soluzioni mission-critical. Sanjeev ha una vasta esperienza nella guida, nell'architettura e nell'implementazione di soluzioni tecnologiche ad alto impatto che rispondono a diverse esigenze aziendali in molteplici settori, inclusi i governi commerciali, federali, statali e locali. Ha una laurea in ingegneria presso l'Indian Institute of Technology e un MBA presso l'Università di Notre Dame.

• Coinsmart. Il miglior scambio di bitcoin e criptovalute d'Europa.
• Platoblockchain. Web3 Metaverse Intelligence. Conoscenza amplificata. ACCESSO LIBERO.
• Criptofalco. Radar Altcoin. Prova gratuita.
• Fonte: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/