חלץ סנטימנט מפורט בטקסט עם Amazon Comprehend Targeted Sentiment

אמזון להתבונן הוא שירות עיבוד שפה טבעית (NLP) המשתמש בלמידה חישובית (ML) כדי לגלות תובנות מטקסט. כשירות מנוהל במלואו, Amazon Comprehend לא דורשת מומחיות ב-ML ויכולה להתאים לכמויות גדולות של נתונים. Amazon Comprehend מספקת מספר שונות ממשקי API כדי לשלב בקלות NLP באפליקציות שלך. אתה יכול פשוט לקרוא לממשקי ה-API ביישום שלך ולספק את המיקום של מסמך המקור או הטקסט. ממשקי ה-API מפלטים ישויות, ביטויי מפתח, סנטימנט, סיווג מסמכים ושפה בפורמט קל לשימוש עבור האפליקציה או העסק שלך.

ממשקי API לניתוח סנטימנטים שמסופקים על ידי Amazon Comprehend עוזרים לעסקים לקבוע את הסנטימנט של מסמך. אתה יכול לאמוד את הסנטימנט הכולל של מסמך כחיובי, שלילי, ניטרלי או מעורב. עם זאת, כדי לקבל את הפירוט של הבנת הסנטימנט הקשור למוצרים או מותגים ספציפיים, עסקים נאלצו להשתמש בדרכים עוקפות כמו חלוקה של הטקסט לחסימות לוגיות והסקת הסנטימנט המובע כלפי מוצר ספציפי.

כדי לעזור לפשט את התהליך הזה, החל מהיום, Amazon Comprehend משיקה את סנטימנט ממוקד תכונה לניתוח סנטימנטים. זה מספק את היכולת לזהות קבוצות של אזכורים (קבוצות ייחוס משותפות) המתאימות לישות או תכונה בודדת בעולם האמיתי, לספק את הסנטימנט המשויך לכל אזכור של ישות ולספק את הסיווג של הישות בעולם האמיתי על בסיס א. רשימה קבועה מראש של ישויות.

פוסט זה מספק סקירה כללית של איך אתה יכול להתחיל עם סנטימנט ממוקד של Amazon Comprehend, מדגים מה אתה יכול לעשות עם הפלט, ועובר על שלושה מקרים נפוצים של שימוש בסנטימנט ממוקד.

סקירת פתרונות

להלן דוגמה לסנטימנט ממוקד:

"ספא" הוא הישות העיקרית, המזוהה כסוג facility, ומוזכר פעמיים נוספות, המכונה הכינוי "זה". ה-API של Targeted Sentiment מספק את הסנטימנט כלפי כל ישות. סנטימנט חיובי הוא ירוק, שלילי זה אדום, וניטרל זה כחול. אנו יכולים גם לקבוע כיצד הסנטימנט כלפי הספא משתנה לאורך המשפט. אנו צוללים עמוק יותר לתוך ה-API בהמשך הפוסט.

יכולת זו פותחת מספר יכולות שונות לעסקים. צוותי שיווק יכולים לעקוב אחר סנטימנטים פופולריים כלפי המותגים שלהם במדיה החברתית לאורך זמן. סוחרי מסחר אלקטרוני יכולים להבין אילו תכונות ספציפיות של המוצרים שלהם התקבלו בצורה הטובה ביותר והגרוע ביותר על ידי הלקוחות. מפעילי מוקד טלפוני יכולים להשתמש בתכונה כדי לכרות תמלילים לבעיות הסלמה ולנטר את חווית הלקוח. מסעדות, בתי מלון וארגונים אחרים בתעשיית האירוח יכולים להשתמש בשירות כדי להפוך קטגוריות דירוג רחבות לתיאורים עשירים של חוויות לקוח טובות ורעות.

מקרי שימוש ממוקדים בסנטימנטים

ה-API של Sentiment ממוקד ב-Amazon Comprehend לוקח נתוני טקסט כמו פוסטים במדיה חברתית, סקירות יישומים ותמלול מוקד טלפוני כקלט. לאחר מכן הוא מנתח את הקלט באמצעות הכוח של אלגוריתמי NLP כדי לחלץ סנטימנט ברמת הישות באופן אוטומטי. א ישות הוא התייחסות טקסטואלית לשם הייחודי של אובייקט בעולם האמיתי, כגון אנשים, מקומות ופריטים מסחריים, בנוסף להפניות מדויקות למידות כגון תאריכים וכמויות. לרשימה מלאה של ישויות נתמכות, עיין ב ישויות סנטימנט ממוקדות.

אנו משתמשים ב-Targeted Sentiment API כדי לאפשר את מקרי השימוש הבאים:

• עסק יכול לזהות חלקים בחוויית העובד/לקוח שהם מהנים וחלקים העשויים להשתפר.
• מרכזי יצירת קשר וצוותי שירות לקוחות יכולים לנתח תמלול שיחות או יומני צ'אט כדי לזהות את יעילות ההכשרה של הסוכן, ופרטי שיחה כגון תגובות ספציפיות של לקוח וביטויים או מילים ששימשו כדי לאסור את התגובה הזו.
• בעלי מוצר ומפתחי UI/UX יכולים לזהות תכונות של המוצר שלהם שהמשתמשים נהנים מהם וחלקים הדורשים שיפור. זה יכול לתמוך בדיונים ובסדרי עדיפויות של מפת הדרכים של המוצר.

התרשים הבא ממחיש את תהליך הסנטימנט הממוקד:

בפוסט זה, אנו מדגימים תהליך זה באמצעות שלוש הסקירות הבאות לדוגמה:

• דוגמה 1: סקירת עסקים ומוצר - "אני מאוד אוהב כמה עבה הז'קט. אני לובשת ז'קט גדול כי יש לי כתפיים רחבות וזה מה שהזמנתי וזה מתאים שם בצורה מושלמת. אני כמעט מרגיש כאילו זה יוצא בבלונים מהחזה ומטה. חשבתי שאשתמש בחוטים בתחתית הז'קט כדי לעזור לסגור אותו ולהכניס אותו פנימה, אבל אלה לא עובדים. הז'קט מרגיש מאוד מגושם."
• דוגמה 2: תמלול מרכז קשר – "שלום לך, יש חסימת הונאה בכרטיס האשראי שלי, אתה יכול להסיר אותו בשבילי. כרטיס האשראי שלי ממשיך להיות מסומן על הונאה. זה די מעצבן, בכל פעם שאני הולך להשתמש בו, אני כל הזמן מקבל דחייה. אני הולך לבטל את הכרטיס אם זה יקרה שוב."
• דוגמה 3: סקר משוב מעסיקים – "אני שמח שההנהלה משדרגת את הצוות. אבל המדריך לא עבר היטב על היסודות. ההנהלה צריכה לעשות יותר בדיקת נאותות ברמת המיומנות של כולם למפגשים עתידיים."

הכינו את הנתונים

כדי להתחיל, הורד את הקבצים לדוגמה המכילים את הטקסט לדוגמה באמצעות ה- ממשק שורת הפקודה של AWS (AWS CLI) על ידי הפעלת הפקודות הבאות:

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

צור שירות אחסון פשוט של אמזון (Amazon S3), פתח את התיקיה והעלה את התיקיה המכילה את שלושת הקבצים לדוגמה. ודא שאתה משתמש באותו אזור לאורך כל הדרך.

כעת תוכל לגשת לשלושת קובצי הטקסט לדוגמה בדלי S3 שלך.

צור עבודה ב- Amazon Comprehend

לאחר העלאת הקבצים לדלי S3 שלך, בצע את השלבים הבאים:

1. במסוף Comprehend של אמזון, בחר עבודות ניתוח בחלונית הניווט.
   
2. בחרו צור עבודה.
   
3. בעד שם, הזן שם לתפקידך.
4. בעד סוג ניתוח, בחר סנטימנט ממוקד.
5. תַחַת נתוני קלט, הזן את המיקום של Amazon S3 של ts-sample-data תיקייה.
6. בעד פורמט הכנסה, בחר מסמך אחד לכל קובץ.

אתה יכול לשנות תצורה זו אם הנתונים שלך נמצאים בקובץ בודד המופרד בקווים.

7. תַחַת מיקום פלט, הזן את המיקום של Amazon S3 שבו תרצה לשמור את פלט העבודה.
8. תַחַת הרשאות גישה, עבור תפקיד IAM, בחר קיים AWS זהות וניהול גישה (IAM) תפקיד או ליצור אחד שיש לו הרשאות ל-S3 bucket.
9. השאר את האפשרויות האחרות כברירת מחדל ובחר צור עבודה.
   

לאחר תחילת העבודה, תוכל לעיין בפרטי המשרה שלך. זמן הריצה הכולל של העבודה תלוי בגודל נתוני הקלט.

10. כשהעבודה תושלם, תחת תְפוּקָה, בחר בקישור למיקום נתוני הפלט.
    

כאן אתה יכול למצוא קובץ פלט דחוס.

11. הורד ושחרר את הקובץ.

כעת תוכל לבדוק את קבצי הפלט עבור כל טקסט לדוגמה. פתח את הקבצים בעורך הטקסט המועדף עליך כדי לסקור את מבנה תגובת ה-API. אנו מתארים זאת ביתר פירוט בסעיף הבא.

מבנה תגובה של API

ה-API של Targeted Sentiment מספק דרך פשוטה לצרוך את התפוקה של העבודות שלך. הוא מספק קיבוץ לוגי של הישויות (קבוצות הישויות) שזוהו, יחד עם הסנטימנט עבור כל ישות. להלן כמה הגדרות של השדות בתגובה:

• ישויות – החלקים המשמעותיים של המסמך. לדוגמה, Person, Place, Date, Food, או Taste.
• מזכיר – ההפניות או האזכורים של הישות במסמך. אלה יכולים להיות כינויים או שמות עצם נפוצים כגון "זה", "הוא", "ספר" וכן הלאה. אלה מאורגנים לפי מיקום (היסט) במסמך.
• DescriptiveMentionIndex – המדד ב Mentions שנותן את התיאור הטוב ביותר של קבוצת הישות. לדוגמה, "מלון ABC" במקום "מלון", "זה" או אזכור של שם עצם נפוץ אחר.
• GroupScore – הביטחון שכל הישויות המוזכרות בקבוצה קשורות לאותה ישות (כגון "אני", "אני" ו"עצמי" המתייחסים לאדם אחד).
• טקסט – הטקסט במסמך שמתאר את הישות
• סוּג – תיאור של מה שהישות מתארת.
• ציון – ביטחון המודל שמדובר בישות רלוונטית.
• צייןSentiment – הסנטימנט האמיתי שנמצא לאזכור.
• רגש – ערך המחרוזת של positive, neutral, negative, או mixed.
• סנטימנטסקור – ביטחון המודל עבור כל סנטימנט אפשרי.
• BeginOffset – ההיסט לטקסט המסמך שבו מתחיל האזכור.
• EndOffset – ההיסט לטקסט המסמך שבו מסתיימת האזכור.

כדי להדגים זאת בצורה ויזואלית, בואו ניקח את הפלט של מקרה השימוש השלישי, סקר משוב המעסיקים, ונעבור בין קבוצות הישויות המייצגות את העובד שמשלים את הסקר, ההנהלה והמדריך.

הבה נסתכל תחילה על כל האזכורים של קבוצת הישות המשותפת הקשורה ל"אני" (העובד כותב את התגובה) ואת מיקום האזכור בטקסט. DescriptiveMentionIndex מייצג אינדקסים של אזכורי הישות שמתארים בצורה הטובה ביותר את קבוצת הישויות המשותפת (במקרה זה 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 } } } ] }

קבוצת הישויות הבאה מספקת את כל האזכורים של קבוצת הישויות המשותפת הקשורה לניהול, יחד עם מיקומה בטקסט. DescriptiveMentionIndex מייצג אינדקסים של אזכורי הישות שמתארים בצורה הטובה ביותר את קבוצת הישויות המשותפת (במקרה זה management). משהו שכדאי לשים לב אליו בדוגמה זו הוא שינוי הסנטימנט לכיוון הניהול. אתה יכול להשתמש בנתונים אלה כדי להסיק אילו חלקים בפעולות ההנהלה נתפסו כחיוביים, ואילו חלקים נתפסו כשליליים ולכן ניתן לשפר אותם.

{ "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 } } } ] }

לסיום, בואו נסתכל על כל האזכורים של המדריך והמיקום בטקסט. DescriptiveMentionIndex מייצג אינדקסים של אזכורי הישות שמתארים בצורה הטובה ביותר את קבוצת הישויות המשותפת (במקרה זה 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 } } } ] }

ארכיטקטורת התייחסות

אתה יכול להחיל סנטימנט ממוקד על תרחישים רבים ולהשתמש במקרים כדי להעלות ערך עסקי, כגון:

• קבע את היעילות של קמפיינים שיווקיים והשקות תכונות על ידי זיהוי הישויות והאזכורים המכילים את המשוב החיובי או השלילי ביותר
• פלט שאילתה כדי לקבוע אילו ישויות ואזכורים מתייחסים לישות מתאימה (חיובית, שלילית או ניטרלית)
• נתח סנטימנט לאורך מחזור החיים של האינטראקציה עם הלקוח במרכזי קשר כדי להדגים את היעילות של שינויים בתהליך או בהדרכה

התרשים הבא מתאר תהליך מקצה לקצה:

סיכום

הבנת האינטראקציות והמשוב שארגונים מקבלים מלקוחות לגבי המוצרים והשירותים שלהם נותרה חיונית בפיתוח מוצרים וחוויות לקוחות טובים יותר. ככזה, נדרשים פרטים מפורטים יותר כדי להסיק תוצאות טובות יותר.

בפוסט זה, סיפקנו כמה דוגמאות כיצד שימוש בפרטים פרטניים אלה יכול לעזור לארגונים לשפר מוצרים, חוויות לקוחות והדרכה תוך תמריץ ואימות של תכונות חיוביות. ישנם מקרי שימוש רבים בתעשיות בהן אתה יכול להתנסות ולהשיג ערך מסנטימנט ממוקד.

אנו ממליצים לך לנסות את התכונה החדשה הזו עם מקרי השימוש שלך. למידע נוסף וכדי להתחיל, עיין ב סנטימנט ממוקד.

על הכותבים

ראג' פאתאק הוא אדריכל פתרונות ויועץ טכני ללקוחות Fortune 50 ובינוני FSI (בנקאות, ביטוח, שוקי הון) ברחבי קנדה וארצות הברית. ראג' מתמחה ב-Machine Learning עם יישומים בחילוץ מסמכים, טרנספורמציה במרכזי קשר וראייה ממוחשבת.

סנג'יב פולאפקה הוא ארכיטקט פתרונות בכיר בצוות ה-Fed Civilian SA ב-Amazon Web Services (AWS). הוא עובד בשיתוף פעולה הדוק עם לקוחות בבנייה ואדריכלות של פתרונות קריטיים למשימה. ל-Sanjeev ניסיון רב בהובלה, ארכיטקטורה והטמעה של פתרונות טכנולוגיים בעלי השפעה גבוהה הנותנים מענה לצרכים עסקיים מגוונים במגזרים רבים, כולל ממשלות מסחריות, פדרליות, מדינתיות ומקומיות. יש לו תואר ראשון בהנדסה מהמכון ההודי לטכנולוגיה ותואר MBA מאוניברסיטת נוטרדאם.

• Coinsmart. בורסת הביטקוין והקריפטו הטובה באירופה.
• Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה חופשית.
• CryptoHawk. רדאר אלטקוין. ניסיון חינם.
• מקור: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/