Amazon ComprehendTargetedSentimentを使用してテキストで詳細な感情を抽出します

Amazon Comprehend は、機械学習（ML）を使用してテキストから洞察を発見する自然言語処理（NLP）サービスです。 フルマネージドサービスとして、Amazon ComprehendはMLの専門知識を必要とせず、大量のデータに拡張できます。 Amazon Comprehendは、いくつかの異なる機能を提供します API NLPをアプリケーションに簡単に統合します。 アプリケーションでAPIを呼び出すだけで、ソースドキュメントまたはテキストの場所を指定できます。 APIは、エンティティ、キーフレーズ、感情、ドキュメント分類、および言語を、アプリケーションまたはビジネスで使いやすい形式で出力します。

Amazon Comprehendが提供する感情分析APIは、企業がドキュメントの感情を判断するのに役立ちます。 ドキュメントの全体的な感情を、ポジティブ、ネガティブ、ニュートラル、または混合として測定できます。 ただし、特定の製品またはブランドに関連する感情を詳細に理解するために、企業はテキストを論理ブロックにチャンクし、特定の製品に対して表現された感情を推測するなどの回避策を採用する必要がありました。

このプロセスを簡素化するために、本日より、AmazonComprehendは 対象となる感情 感情分析のための機能。 これにより、単一の実世界のエンティティまたは属性に対応する言及のグループ（共参照グループ）を識別し、各エンティティの言及に関連付けられた感情を提供し、に基づいて実世界のエンティティの分類を提供する機能が提供されます。 事前に決定されたエンティティのリスト.

この投稿では、Amazon Comprehendのターゲット感情を開始する方法の概要を示し、出力で何ができるかを示し、XNUMXつの一般的なターゲット感情のユースケースについて説明します。

ソリューションの概要

以下は、対象となる感情の例です。

「スパ」は、タイプとして識別される主要なエンティティです facility、さらにXNUMX回言及され、代名詞「it」と呼ばれます。 Targeted Sentiment APIは、各エンティティに対する感情を提供します。 ポジティブな感情は緑、ネガティブな感情は赤、ニュートラルは青です。 また、文全体でスパに対する感情がどのように変化するかを判断することもできます。 投稿の後半でAPIについて詳しく説明します。

この機能は、ビジネスにいくつかの異なる機能を開きます。 マーケティングチームは、ソーシャルメディアでブランドに対する人気のある感情を経時的に追跡できます。 eコマースのマーチャントは、自社の製品のどの特定の属性が顧客に最もよく受け取られたか、最も受けられなかったかを理解できます。 コールセンターのオペレーターは、この機能を使用して、エスカレーションの問題のトランスクリプトをマイニングし、カスタマーエクスペリエンスを監視できます。 レストラン、ホテル、およびその他のホスピタリティ業界の組織は、このサービスを使用して、幅広い評価カテゴリを顧客体験の良い点と悪い点の豊富な説明に変えることができます。

ターゲットを絞った感情のユースケース

AmazonComprehendのTargetedSentimentAPIは、ソーシャルメディアの投稿、アプリケーションレビュー、コールセンターの文字起こしなどのテキストデータを入力として受け取ります。 次に、NLPアルゴリズムの能力を使用して入力を分析し、エンティティレベルの感情を自動的に抽出します。 アン エンティティ は、日付や数量などのメジャーへの正確な参照に加えて、人、場所、商品などの実世界のオブジェクトの一意の名前へのテキスト参照です。 サポートされているエンティティの完全なリストについては、を参照してください。 対象となる感情エンティティ.

Targeted Sentiment APIを使用して、次のユースケースを有効にします。

• 企業は、従業員/顧客体験の楽しい部分と改善される可能性のある部分を特定できます。
• コンタクトセンターとカスタマーサービスチームは、オンコールの文字起こしまたはチャットログを分析して、エージェントトレーニングの有効性、および顧客からの特定の反応やその反応を不正に使用したフレーズや単語などの会話の詳細を特定できます。
• プロダクトオーナーとUI/UX開発者は、ユーザーが楽しんでいる製品の機能と、改善が必要なパーツを特定できます。 これにより、製品ロードマップの議論と優先順位付けをサポートできます。

次の図は、対象となる感情プロセスを示しています。

この投稿では、次のXNUMXつのサンプルレビューを使用してこのプロセスを示します。

• サンプル1：ビジネスと製品のレビュー –「私はジャケットの厚さが本当に好きです。 私は肩幅が広いので大きなジャケットを着ています。それが私が注文したもので、そこにぴったりフィットします。 胸から下に膨らんでいるような気がします。 ジャケットの底にある紐を使って、ジャケットを閉じて持ち込むのに役立てようと思いましたが、うまくいきません。 ジャケットはとてもかさばります。」
• サンプル2：コンタクトセンターの文字起こし –「こんにちは。私のクレジットカードに詐欺ブロックがあります。削除していただけませんか。 私のクレジットカードは詐欺のフラグが立てられ続けています。 それはかなり迷惑です、私がそれを使うたびに、私は断られ続けます。 これが再び発生した場合は、カードをキャンセルします。」
• サンプル3：雇用主のフィードバック調査 –「経営陣がチームをスキルアップしてくれてうれしいです。 しかし、インストラクターは基本をうまく理解していませんでした。 経営陣は、将来のセッションのために、全員のスキルレベルに対してより多くのデューデリジェンスを行う必要があります。」

データを準備する

開始するには、を使用してサンプルテキストを含むサンプルファイルをダウンロードします。 AWSコマンドラインインターフェイス （AWS CLI）次のコマンドを実行します。

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

作る Amazon シンプル ストレージ サービス （Amazon S3）バケット、フォルダーを解凍し、XNUMXつのサンプルファイルを含むフォルダーをアップロードします。 全体で同じリージョンを使用していることを確認してください。

これで、S3バケット内のXNUMXつのサンプルテキストファイルにアクセスできます。

AmazonComprehendでジョブを作成する

ファイルをS3バケットにアップロードしたら、次の手順を実行します。

1. Amazon Comprehendコンソールで、 分析ジョブ ナビゲーションペインに表示されます。
   
2. 選択する ジョブを作成.
   
3. 名前 、ジョブの名前を入力します。
4. 分析タイプ、選択する 的を絞った感情.
5. 入力データ、AmazonS3の場所を入力します ts サンプル データ フォルダにコピーします。
6. 入力形式、選択する ファイルごとにXNUMXつのドキュメント.

データが行で区切られた単一のファイルにある場合は、この構成を変更できます。

7. 出力場所、ジョブ出力を保存するAmazonS3の場所を入力します。
8. アクセス許可、用 IAMの役割、既存のものを選択してください AWS IDおよびアクセス管理 （IAM）ロールまたはS3バケットへのアクセス許可を持つロールを作成します。
9. 他のオプションはデフォルトのままにして、 ジョブを作成.
   

ジョブを開始した後、ジョブの詳細を確認できます。 合計ジョブ実行時間は、入力データのサイズによって異なります。

10. ジョブが完了すると、 出力、出力データの場所へのリンクを選択します。
    

ここに圧縮された出力ファイルがあります。

11. ファイルをダウンロードして解凍します。

これで、各サンプルテキストの出力ファイルを調べることができます。 好みのテキストエディタでファイルを開き、API応答構造を確認します。 これについては、次のセクションで詳しく説明します。

API応答構造

Targeted Sentiment APIは、ジョブの出力を消費する簡単な方法を提供します。 検出されたエンティティ（エンティティグループ）の論理グループと、各エンティティの感情を提供します。 以下は、応答に含まれるフィールドの定義です。

• エンティティ –ドキュメントの重要な部分。 例えば、 Person, Place, Date, Foodまたは Taste.
• メンション –ドキュメント内のエンティティの参照または言及。 これらは、「it」、「him」、「book」などの代名詞または一般的な名詞にすることができます。 これらは、ドキュメント内の場所（オフセット）順に整理されています。
• 説明的な言及インデックス –のインデックス Mentions これにより、エンティティグループを最もよく表すことができます。 たとえば、「hotel」、「it」、またはその他の普通名詞の代わりに「ABCHotel」を使用します。
• グループスコア –グループ内で言及されているすべてのエンティティが同じエンティティに関連しているという確信（「私」、「私」、「自分」など、XNUMX人の人物を指す）。
• テキスト –エンティティを表すドキュメント内のテキスト
• タイプ –エンティティが表すものの説明。
• スコア –これが関連エンティティであるというモデルの信頼度。
• メンションセンチメント –言及のために見つかった実際の感情。
• 感情 –の文字列値 positive, neutral, negativeまたは mixed.
• センチメントスコア –考えられる各感情のモデルの信頼度。
• 開始オフセット –言及が始まるドキュメントテキストへのオフセット。
• 終了オフセット –言及が終了するドキュメントテキストへのオフセット。

これを視覚的に示すために、XNUMX番目のユースケースである雇用者フィードバック調査の出力を取得し、調査を完了する従業員、管理者、およびインストラクターを表すエンティティグループを見ていきましょう。

まず、「I」（回答を書いている従業員）に関連付けられている共参照エンティティグループのすべての言及と、テキスト内の言及の場所を見てみましょう。 DescriptiveMentionIndex 共参照エンティティグループ（この場合）を最もよく表すエンティティ言及のインデックスを表します 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 } } } ] }

エンティティの次のグループは、テキスト内の場所とともに、管理に関連付けられた共参照エンティティグループのすべての言及を提供します。 DescriptiveMentionIndex 共参照エンティティグループ（この場合）を最もよく表すエンティティ言及のインデックスを表します management）。 この例で注目すべきことは、経営陣への感情のシフトです。 このデータを使用して、経営陣の行動のどの部分がポジティブであると認識されたか、およびどの部分がネガティブであると認識されたために改善できるかを推測できます。

{ "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 } } } ] }

結論として、テキスト内のインストラクターと場所のすべての言及を観察しましょう。 DescriptiveMentionIndex 共参照エンティティグループ（この場合）を最もよく表すエンティティ言及のインデックスを表します 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 } } } ] }

参照アーキテクチャ

次のように、ターゲットを絞った感情を多くのシナリオやユースケースに適用して、ビジネス価値を高めることができます。

• 最も肯定的または否定的なフィードバックを含むエンティティと言及を検出することにより、マーケティングキャンペーンと機能の立ち上げの有効性を判断します
• 出力をクエリして、対応するエンティティ（ポジティブ、ネガティブ、またはニュートラル）に関連するエンティティとメンションを特定します
• コンタクトセンターでの顧客とのやり取りのライフサイクル全体にわたる感情を分析して、プロセスまたはトレーニングの変更の有効性を実証します

次の図は、エンドツーエンドのプロセスを示しています。

まとめ

組織が製品やサービスに関して顧客から受け取る相互作用やフィードバックを理解することは、より良い製品や顧客体験を開発する上で依然として重要です。 そのため、より良い結果を推測するには、より詳細な詳細が必要です。

この投稿では、これらの詳細を使用することで、組織が製品、カスタマーエクスペリエンス、トレーニングを改善し、肯定的な属性を奨励および検証するのにどのように役立つかについて、いくつかの例を示しました。 対象となる感情を実験して価値を得ることができる、業界全体の多くのユースケースがあります。

ユースケースでこの新機能を試すことをお勧めします。 詳細および開始するには、を参照してください。 対象となる感情.

著者について

ラジ・パタク は、カナダと米国のFortune 50および中規模FSI（銀行、保険、資本市場）の顧客のソリューションアーキテクトおよびテクニカルアドバイザーです。 Rajは、ドキュメント抽出、コンタクトセンター変換、コンピュータービジョンのアプリケーションを使用した機械学習を専門としています。

サンジーブプラパカ アマゾンウェブサービス（AWS）の米国連邦準備制度理事会SAチームのシニアソリューションアーキテクトです。 彼は、ミッションクリティカルなソリューションの構築と設計において顧客と緊密に協力しています。 Sanjeevは、商業、連邦、州、地方自治体を含む複数のセクターにおける多様なビジネスニーズに対応する、影響力の大きいテクノロジーソリューションを主導、設計、および実装した豊富な経験があります。 彼は、インド工科大学で工学の学士号を取得し、ノートルダム大学でMBAを取得しています。

• コインスマート。 ヨーロッパで最高のビットコインと暗号通貨取引所。
• Platoblockchain。 Web3メタバースインテリジェンス。 知識の増幅。 出入り自由。
• CryptoHawk。 アルトコインレーダー。 無料トライアル。
• ソース：https：//aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/