ノーコードの機械学習を使用して、Amazon SageMaker Canvas 感情分析およびテキスト分析モデルを使用して製品レビューから洞察を導き出します。 アマゾン ウェブ サービス

による ガートナー, ソフトウェア購入者の 85% は、個人的な推奨事項と同じくらいオンライン レビューを信頼しています。 顧客は、レビュー Web サイト、ベンダー Web サイト、営業電話、ソーシャル メディアなど、さまざまなチャネルを通じて購入した製品に関するフィードバックやレビューを提供します。 複数のチャネルにわたる顧客レビューの量が増加することに伴う問題は、企業が従来の方法を使用してデータを処理し、そこから有意義な洞察を導き出すことが困難になる可能性があることです。 機械学習 (ML) は、大量の製品レビューを分析し、パターン、センチメント、議論されているトピックを特定できます。 この情報により、企業は顧客の好み、問題点、満足度をより深く理解できるようになります。 また、この情報を使用して製品やサービスを改善し、傾向を特定し、ビジネスの成長を促進する戦略的な行動を起こすこともできます。 ただし、ML の実践者、データ サイエンティスト、人工知能 (AI) 開発者などのリソースが不足している企業にとって、ML の実装は困難になる可能性があります。 新しい Amazon SageMaker キャンバス これらの機能により、ビジネス アナリストは ML を使用して製品レビューから洞察を得ることができるようになりました。

SageMaker Canvas は、ビジネス アナリストが使用する機能上のニーズに合わせて設計されています。 AWS ノーコード ML 表形式データのアドホック分析用。 SageMaker Canvas は、ビジネス アナリストがコードを XNUMX 行も記述したり、ML の専門知識を必要とせずに、正確な ML 予測を生成できる視覚的なポイント アンド クリック サービスです。 モデルを使用して、対話的に予測を行ったり、バルク データセットのバッチ スコアリングを行うことができます。 SageMaker Canvas は、フルマネージドのすぐに使用できる AI モデルおよびカスタム モデル ソリューションを提供します。 一般的な ML のユースケースでは、すぐに使用できる AI モデルを使用して、モデルのトレーニングを行わずにデータを使用して予測を生成できます。 ビジネス ドメインに固有の ML ユース ケースの場合、カスタム予測用に独自のデータを使用して ML モデルをトレーニングできます。

この投稿では、すぐに使用できる感情分析モデルとカスタム テキスト分析モデルを使用して、製品レビューから洞察を得る方法を示します。 この使用例では、一連の合成された製品レビューを用意しており、感情を分析し、レビューを製品タイプごとに分類して、ビジネス関係者が情報に基づいてより適切な意思決定を行うのに役立つパターンと傾向を簡単に描画できるようにします。 まず、すぐに使用できるセンチメント分析モデルを使用してレビューのセンチメントを判断する手順について説明します。 次に、テキスト分析モデルをトレーニングしてレビューを製品タイプごとに分類するプロセスを説明します。 次に、トレーニング済みモデルのパフォーマンスを確認する方法について説明します。 最後に、トレーニングされたモデルを使用して予測を実行する方法について説明します。

感情分析は、テキストの感情を分析する、すぐに使用できる自然言語処理 (NLP) モデルです。 センチメント分析は、単一行またはバッチ予測に対して実行できます。 テキストの各行について予測される感情は、肯定的、否定的、混合、または中立のいずれかです。

テキスト分析では、カスタム モデルを使用してテキストを 125 つ以上のカテゴリに分類できます。 この投稿では、製品タイプに基づいて製品レビューを分類したいと思います。 テキスト分析カスタム モデルをトレーニングするには、テキストと関連するカテゴリで構成されるデータセットを CSV ファイルで提供するだけです。 データセットには、少なくとも XNUMX つのカテゴリと、カテゴリごとに XNUMX 行のテキストが必要です。 モデルがトレーニングされた後、モデルを予測に使用する前に、モデルのパフォーマンスを確認し、必要に応じてモデルを再トレーニングできます。

前提条件

次の前提条件を完了します。

1. 一つ持っている AWSアカウント.
2. セットアップ SageMaker キャンバス.
3. ダウンロード サンプル製品レビュー データセット:
   • sample_product_reviews.csv – 2,000 件の総合製品レビューが含まれており、センチメント分析とテキスト分析の予測に使用されます。
   • sample_product_reviews_training.csv – 600 件の合成製品レビューと XNUMX つの製品カテゴリが含まれており、テキスト分析モデルのトレーニング用です。

感情分析

まず、次の手順を実行して、センチメント分析を使用して製品レビューのセンチメントを特定します。

1. ソフトウェア設定ページで、下図のように SageMaker コンソール、クリック キャンバス ナビゲーション ウィンドウで、 オープンキャンバス SageMaker Canvas アプリケーションを開きます。
2. クリック すぐに使えるモデル ナビゲーション ウィンドウで、 感情分析.
3. クリック バッチ予測、[OK]をクリックします データセットを作成します。
4. 提供する データセット名 をクリックし 作成します。
5. クリック コンピューターからファイルを選択する インポートするには sample_product_reviews.csv データセット。
6. クリック データセットを作成する そしてデータを確認します。 最初の列にはレビューが含まれており、感情分析に使用されます。 XNUMX 番目の列にはレビュー ID が含まれており、参照のみに使用されます。
7. クリック データセットを作成する データのアップロードプロセスを完了します。
8. 予測用のデータセットの選択 表示、選択 sample_product_reviews.csv [OK]をクリックします 予測を生成します。 
9. バッチ予測が完了したら、 詳しく見る 予測を表示します。

Sentiment 列と Confidence 列には、それぞれ感情スコアと信頼スコアが表示されます。 信頼スコアは 0 ～ 100% の統計値で、センチメントが正しく予測される確率を示します。

10. クリック ダウンロードCSV 結果をコンピュータにダウンロードします。

テキスト分析

このセクションでは、カスタム モデルを使用してテキスト分析を実行する手順 (データのインポート、モデルのトレーニング、予測の実行) を説明します。

データをインポートする

まずトレーニング データセットをインポートします。 次の手順を実行します。

1. On すぐに使えるモデル ページ、クリック カスタムモデルを作成する
2. モデル名、名前を入力します（たとえば、 Product Reviews Analysis）。 クリック テキスト分析、 をクリックします。 作成します。
3. ソフトウェア設定ページで、下図のように 選択 タブをクリックします。 データセットを作成する インポートするには sample_product_reviews_training.csv データセット。
4. 提供する データセット名 をクリックし 作成します。
5. クリック データセットを作成する そしてデータを確認します。 トレーニング データセットには、製品カテゴリを説明する XNUMX 番目の列が含まれており、ターゲット列は書籍、ビデオ、音楽の XNUMX つの製品で構成されます。
6. クリック データセットを作成する データのアップロードプロセスを完了します。
7. ソフトウェア設定ページで、下図のように データセットを選択  sample_product_reviews_training.csv をクリックし データセットを選択.

モデルを訓練する

次に、モデルを構成してトレーニング プロセスを開始します。

1. ソフトウェア設定ページで、下図のように 完成に向けてあなたの背中を押してくれる、執筆のための持続可能で本物のモーメンタムを作り出す。 タブ、 ターゲット列 ドロップダウンメニューをクリックします product_category トレーニング目標として。
2. クリック product_review ソースとして。
3. クリック クイックビルド モデルトレーニングを開始します。

クイック ビルドと標準ビルドの違いの詳細については、を参照してください。 カスタムモデルを構築する.

モデルのトレーニングが完了したら、予測に使用する前にモデルのパフォーマンスを確認できます。

4. ソフトウェア設定ページで、下図のように 解析 タブに移動すると、モデルの信頼スコアが表示されます。 信頼スコアは、モデルの予測が正しいという確信度を示します。 で 概要 タブで、各カテゴリのパフォーマンスを確認します。
5. クリック 得点 モデルの精度に関する洞察を確認します。
6. クリック 高度なメトリクス そのレビューをする 混同行列と F1 スコア.

予測を行います

カスタム モデルを使用して予測を行うには、次の手順を実行します。

1. ソフトウェア設定ページで、下図のように 予測する タブをクリックします。 バッチ予測、[OK]をクリックします マニュアル.
2. 同じデータセットをクリックします。 sample_product_reviews.csv、以前に感情分析に使用したものを選択し、クリックします 予測を生成します。
3. バッチ予測が完了したら、 詳しく見る 予測を表示します。

カスタム モデル予測の場合、SageMaker Canvas が最初に使用するモデルをデプロイするのに時間がかかります。 SageMaker Canvas は、コストを節約するために 15 分間アイドル状態になるとモデルのプロビジョニングを自動的に解除します。

　 Prediction (カテゴリー)と Confidence 列には、それぞれ予測された製品カテゴリと信頼スコアが表示されます。

4. 完了したジョブを強調表示し、XNUMX つの点を選択して、 ダウンロード 結果をコンピュータにダウンロードします。

クリーンアップ

クリック ログアウト ナビゲーション ペインで SageMaker Canvas アプリケーションからログアウトし、 キャンバスセッション時間 そしてすべてのリソースを解放します。

まとめ

この投稿では、どのように使用できるかを説明しました Amazon SageMaker キャンバス ML の専門知識がなくても、製品レビューから洞察を得ることができます。 まず、すぐに使用できる感情分析モデルを使用して、製品レビューの感情を特定しました。 次に、テキスト分析を使用して、クイック ビルド プロセスでカスタム モデルをトレーニングしました。 最後に、トレーニングされたモデルを使用して、製品レビューを製品カテゴリに分類しました。 コードを XNUMX 行も記述する必要はありません。 標準の構築プロセスでテキスト分析プロセスを繰り返し、モデルの結果と予測の信頼性を比較することをお勧めします。

---

著者について

ギャビン・サトゥル アマゾン ウェブ サービスのプリンシパル ソリューション アーキテクトです。 彼は企業顧客と協力して、戦略的で適切に設計されたソリューションを構築し、自動化に熱心に取り組んでいます。 仕事以外では、家族との時間、テニス、料理、旅行を楽しんでいます。

レ・チャン カリフォルニア州アーバインに拠点を置くアマゾン ウェブ サービスのシニア ソリューション アーキテクトです。 Les は、顧客のビジネス成果を促進することだけに重点を置き、企業顧客と協力してテクノロジー ソリューションの導入と実装に熱心に取り組んでいます。 彼の専門知識は、アプリケーション アーキテクチャ、DevOps、サーバーレス、機械学習に及びます。

アーキブ・ビキヤ 南カリフォルニアを拠点とするアマゾン ウェブ サービスのソリューション アーキテクトです。 彼は、小売業界の企業顧客がプロジェクトを加速し、新しいテクノロジーを導入できるよう支援しています。 Aaqib の重点分野には、機械学習、サーバーレス、分析、通信サービスが含まれます

• SEO を活用したコンテンツと PR 配信。 今日増幅されます。
• PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
• プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
• プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
• プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
• 情報源： https://aws.amazon.com/blogs/machine-learning/use-no-code-machine-learning-to-derive-insights-from-product-reviews-using-amazon-sagemaker-canvas-sentiment-analysis-and-text-analysis-models/