Amazon Comprehend Targeted Sentiment를 사용하여 텍스트에서 세분화된 감정 추출

아마존 이해 기계 학습(ML)을 사용하여 텍스트에서 통찰력을 발견하는 자연어 처리(NLP) 서비스입니다. 완전 관리형 서비스인 Amazon Comprehend는 ML 전문 지식이 필요하지 않으며 대용량 데이터로 확장할 수 있습니다. Amazon Comprehend는 다양한 API NLP를 애플리케이션에 쉽게 통합할 수 있습니다. 애플리케이션에서 API를 호출하고 소스 문서 또는 텍스트의 위치를 ​​제공하기만 하면 됩니다. API는 애플리케이션 또는 비즈니스에 사용하기 쉬운 형식으로 엔터티, 핵심 문구, 감정, 문서 분류 및 언어를 출력합니다.

Amazon Comprehend에서 제공하는 감정 분석 API는 기업이 문서의 감정을 판단하는 데 도움이 됩니다. 문서의 전반적인 감정을 긍정적, 부정적, 중립적 또는 혼합으로 측정할 수 있습니다. 그러나 특정 제품 또는 브랜드와 관련된 감정을 세부적으로 이해하기 위해 기업은 텍스트를 논리적 블록으로 묶고 특정 제품에 대해 표현된 감정을 추론하는 것과 같은 해결 방법을 사용해야 했습니다.

이 프로세스를 간소화하기 위해 오늘부터 Amazon Comprehend에서 타겟 감성 감정 분석 기능. 이것은 단일 현실 세계 엔터티 또는 속성에 해당하는 멘션 그룹(공동 참조 그룹)을 식별하고, 각 엔터티 멘션과 관련된 감정을 제공하고, 기반으로 실제 엔터티의 분류를 제공하는 기능을 제공합니다. 미리 결정된 엔티티 목록.

이 게시물은 Amazon Comprehend 대상 감정을 시작하는 방법에 대한 개요를 제공하고, 출력으로 수행할 수 있는 작업을 보여주고, 세 가지 일반적인 대상 감정 사용 사례를 안내합니다.

솔루션 개요

다음은 대상 감정의 예입니다.

"스파"는 유형으로 식별되는 기본 엔터티입니다. facility, 그리고 두 번 더 언급되며 대명사 "그것"이라고 합니다. Targeted Sentiment API는 각 엔터티에 대한 감정을 제공합니다. 긍정적인 감정은 녹색, 부정적인 감정은 빨간색, 중립은 파란색입니다. 우리는 또한 문장 전체에서 스파에 대한 감정이 어떻게 변하는지 결정할 수 있습니다. 이 게시물의 뒷부분에서 API에 대해 자세히 알아보겠습니다.

이 기능은 비즈니스를 위한 여러 가지 기능을 제공합니다. 마케팅 팀은 시간이 지남에 따라 소셜 미디어에서 브랜드에 대한 인기 있는 감정을 추적할 수 있습니다. 전자 상거래 판매자는 제품의 어떤 특정 속성이 고객에게 가장 좋은 평가를 받았고 가장 나쁜 평가를 받았는지 이해할 수 있습니다. 콜 센터 운영자는 이 기능을 사용하여 에스컬레이션 문제에 대한 기록을 마이닝하고 고객 경험을 모니터링할 수 있습니다. 레스토랑, 호텔 및 기타 환대 산업 조직은 이 서비스를 사용하여 광범위한 평가 범주를 좋은 고객 경험과 나쁜 고객 경험에 대한 풍부한 설명으로 바꿀 수 있습니다.

타겟 감성 사용 사례

Amazon Comprehend의 Targeted Sentiment API는 소셜 미디어 게시물, 애플리케이션 리뷰 및 콜센터 기록과 같은 텍스트 데이터를 입력으로 사용합니다. 그런 다음 NLP 알고리즘의 힘을 사용하여 입력을 분석하여 엔터티 수준 감정을 자동으로 추출합니다. 안 실재 날짜 및 수량과 같은 측정값에 대한 정확한 참조 외에도 사람, 장소 및 상업 항목과 같은 실제 개체의 고유한 이름에 대한 텍스트 참조입니다. 지원되는 엔터티의 전체 목록은 다음을 참조하세요. 표적 감정 개체.

Targeted Sentiment API를 사용하여 다음 사용 사례를 활성화합니다.

• 기업은 직원/고객 경험의 즐거운 부분과 개선할 수 있는 부분을 식별할 수 있습니다.
• 컨택 센터와 고객 서비스 팀은 통화 기록 또는 채팅 로그를 분석하여 상담원 교육 효율성과 고객의 특정 반응, 해당 응답을 불법화하는 데 사용된 문구 또는 단어와 같은 대화 세부 정보를 식별할 수 있습니다.
• 제품 소유자와 UI/UX 개발자는 사용자가 즐기는 제품의 기능과 개선이 필요한 부분을 식별할 수 있습니다. 이는 제품 로드맵 논의 및 우선 순위 지정을 지원할 수 있습니다.

다음 다이어그램은 대상 감정 프로세스를 보여줍니다.

이 게시물에서는 다음 세 가지 샘플 리뷰를 사용하여 이 프로세스를 보여줍니다.

• 샘플 1: 비즈니스 및 제품 리뷰 – “재킷의 두께가 정말 마음에 듭니다. 저는 어깨가 넓어서 큰 자켓을 입는데 그렇게 주문했는데 딱 맞아요. 거의 가슴에서 아래로 풍선처럼 느껴집니다. 재킷 바닥에 있는 끈을 사용하여 재킷을 잠그고 가져오는 데 도움이 될 것이라고 생각했지만 작동하지 않습니다. 재킷이 매우 두툼한 느낌이 듭니다.”
• 샘플 2: 컨택 센터 전사 – “안녕하세요. 제 신용 카드에 사기 차단이 있습니다. 제거해 주실 수 있습니까? 내 신용 카드가 계속 사기로 표시됩니다. 상당히 짜증나는데 사용할 때마다 계속 거절당합니다. 또 이런 일이 생기면 카드를 해지하겠다”고 말했다.
• 샘플 3: 고용주 피드백 설문조사 – “경영진이 팀의 기술을 향상시켜줘서 기쁩니다. 그러나 강사는 기본을 잘 지키지 않았습니다. 경영진은 향후 세션을 위해 모든 사람의 기술 수준에 대해 더 많은 실사를 해야 합니다.”

데이터 준비

시작하려면 다음을 사용하여 예제 텍스트가 포함된 샘플 파일을 다운로드하십시오. AWS 명령 줄 인터페이스 (AWS CLI) 다음 명령을 실행합니다.

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

를 생성 아마존 단순 스토리지 서비스 (Amazon S3) 버킷에서 폴더의 압축을 풀고 XNUMX개의 샘플 파일이 포함된 폴더를 업로드합니다. 전체에서 동일한 리전을 사용하고 있는지 확인하십시오.

이제 S3 버킷에 있는 XNUMX개의 샘플 텍스트 파일에 액세스할 수 있습니다.

Amazon Comprehend에서 작업 생성

파일을 S3 버킷에 업로드한 후 다음 단계를 완료하십시오.

1. Amazon Comprehend 콘솔에서 분석 작업 탐색 창에서
   
2. 왼쪽 메뉴에서 직업 만들기.
   
3. 럭셔리 성함, 작업 이름을 입력하십시오.
4. 럭셔리 분석 유형선택한다. 타겟 감성.
5. $XNUMX Million 미만 입력 데이터, Amazon S3 위치를 입력하십시오. ts 샘플 데이터 폴더에 있습니다.
6. 럭셔리 입력 형식선택한다. 파일당 하나의 문서.

데이터가 행으로 구분된 단일 파일에 있는 경우 이 구성을 변경할 수 있습니다.

7. $XNUMX Million 미만 출력 위치, 작업 출력을 저장할 Amazon S3 위치를 입력합니다.
8. $XNUMX Million 미만 액세스 권한에 대한 IAM 역할, 기존 선택 AWS 자격 증명 및 액세스 관리 (IAM) 역할을 생성하거나 S3 버킷에 대한 권한이 있는 역할을 생성합니다.
9. 다른 옵션은 기본값으로 두고 다음을 선택합니다. 직업 만들기.
   

작업을 시작한 후 작업 세부 정보를 검토할 수 있습니다. 총 작업 런타임은 입력 데이터의 크기에 따라 다릅니다.

10. 작업이 완료되면 아래 산출, 출력 데이터 위치에 대한 링크를 선택합니다.
    

여기에서 압축된 출력 파일을 찾을 수 있습니다.

11. 파일을 다운로드하고 압축을 풉니다.

이제 각 샘플 텍스트의 출력 파일을 검사할 수 있습니다. API 응답 구조를 검토하려면 원하는 텍스트 편집기에서 파일을 엽니다. 다음 섹션에서 이에 대해 더 자세히 설명합니다.

API 응답 구조

Targeted Sentiment API는 작업 출력을 사용하는 간단한 방법을 제공합니다. 각 엔터티에 대한 감정과 함께 감지된 엔터티(엔티티 그룹)의 논리적 그룹화를 제공합니다. 다음은 응답에 있는 필드에 대한 몇 가지 정의입니다.

• 엔터티 – 문서의 중요한 부분. 예를 들어, Person, Place, Date, Food및 Taste.
• 언급 – 문서에 있는 엔티티의 참조 또는 언급. 이들은 "it", "him", "book" 등과 같은 대명사 또는 일반 명사일 수 있습니다. 문서의 위치(오프셋)별로 정리되어 있습니다.
• DescriptiveMentionIndex – 의 인덱스 Mentions 엔티티 그룹을 가장 잘 묘사합니다. 예를 들어, "hotel" 대신 "ABC Hotel", "it" 또는 기타 일반 명사 언급.
• 그룹 점수 – 그룹에 언급된 모든 개체가 동일한 개체와 관련되어 있다는 확신(예: "나", "나" 및 "나 자신"은 한 사람을 나타냄).
• 본문 – 엔티티를 나타내는 문서의 텍스트
• 타입 – 엔티티가 묘사하는 것에 대한 설명.
• 점수 – 이것이 관련 엔터티라는 모델 신뢰도.
• 멘션감정 – 멘션에 대해 발견된 실제 감정.
• 감정 – 문자열 값 positive, neutral, negative및 mixed.
• 감정 점수 – 가능한 각 감정에 대한 모델 신뢰도.
• 시작 오프셋 – 언급이 시작되는 문서 텍스트의 오프셋.
• 끝 오프셋 – 언급이 끝나는 문서 텍스트의 오프셋.

이를 시각적으로 보여주기 위해 세 번째 사용 사례인 고용주 피드백 설문 조사의 결과를 가져와서 설문 조사를 완료하는 직원, 관리 및 강사를 나타내는 엔터티 그룹을 살펴보겠습니다.

먼저 "나"(응답을 작성하는 직원)와 관련된 공동 참조 엔터티 그룹의 모든 멘션과 텍스트에서 멘션의 위치를 ​​살펴보겠습니다. DescriptiveMentionIndex 공동 참조 개체 그룹을 가장 잘 나타내는 개체 언급의 인덱스를 나타냅니다(이 경우 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 } } } ] }

다음 개체 그룹은 텍스트에서의 위치와 함께 관리와 관련된 공동 참조 개체 그룹에 대한 모든 언급을 제공합니다. DescriptiveMentionIndex 공동 참조 개체 그룹을 가장 잘 나타내는 개체 언급의 인덱스를 나타냅니다(이 경우 management). 이 예에서 관찰할 수 있는 것은 경영진에 대한 감정의 변화입니다. 이 데이터를 사용하여 경영진의 행동 중 어떤 부분이 긍정적으로 인식되었고 어떤 부분이 부정적으로 인식되어 개선될 수 있는지 추론할 수 있습니다.

{ "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 } } } ] }

결론적으로, 강사의 모든 언급과 텍스트의 위치를 ​​관찰합시다. DescriptiveMentionIndex 공동 참조 개체 그룹을 가장 잘 나타내는 개체 언급의 인덱스를 나타냅니다(이 경우 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 } } } ] }

참조 아키텍처

다음과 같은 비즈니스 가치를 창출하기 위해 다양한 시나리오 및 사용 사례에 대상 감정을 적용할 수 있습니다.

• 가장 긍정적이거나 부정적인 피드백을 포함하는 엔터티 및 멘션을 감지하여 마케팅 캠페인 및 기능 출시의 효율성을 결정합니다.
• 어떤 엔터티 및 멘션이 해당 엔터티와 관련이 있는지 확인하기 위한 쿼리 출력(긍정, 음성 또는 중립)
• 프로세스 또는 교육 변경 사항의 효율성을 입증하기 위해 컨택 센터의 고객 상호 작용 수명 주기 전반에 걸쳐 감정을 분석합니다.

다음 다이어그램은 종단 간 프로세스를 보여줍니다.

결론

조직이 제품 및 서비스에 대해 고객으로부터 받는 상호 작용 및 피드백을 이해하는 것은 더 나은 제품과 고객 경험을 개발하는 데 여전히 중요합니다. 따라서 더 나은 결과를 도출하려면 더 세부적인 세부 정보가 필요합니다.

이 게시물에서 우리는 이러한 세분화된 세부 정보를 사용하여 조직이 제품, 고객 경험 및 교육을 개선하는 동시에 긍정적인 속성을 장려하고 검증하는 데 어떻게 도움이 되는지에 대한 몇 가지 예를 제공했습니다. 대상 감정을 실험하고 가치를 얻을 수 있는 산업 전반에 걸쳐 많은 사용 사례가 있습니다.

사용 사례에서 이 새로운 기능을 사용해 보시기 바랍니다. 자세한 내용 및 시작하려면 다음을 참조하십시오. 타겟 감성.

저자에 관하여

라지 파탁 캐나다와 미국 전역의 Fortune 50대 기업 및 중견 FSI(은행, 보험, 자본 시장) 고객의 솔루션 설계자이자 기술 고문입니다. Raj는 문서 추출, 컨택 센터 변환 및 컴퓨터 비전 애플리케이션을 사용하는 기계 학습을 전문으로 합니다.

산지브 풀라파카 Amazon Web Services(AWS)의 US Fed Civilian SA 팀의 수석 솔루션 설계자입니다. 그는 미션 크리티컬 솔루션을 구축하고 설계하는 데 있어 고객과 긴밀하게 협력하고 있습니다. Sanjeev는 상업, 연방, 주 및 지방 정부를 비롯한 여러 부문에서 다양한 비즈니스 요구 사항을 해결하는 영향력이 큰 기술 솔루션을 주도, 설계 및 구현하는 데 광범위한 경험을 보유하고 있습니다. 그는 인도 공과 대학에서 공학 학사 학위를, 노틀담 대학에서 MBA를 취득했습니다.

• 코인스마트. 유럽 ​​최고의 비트코인 ​​및 암호화폐 거래소.
• 플라토 블록체인. Web3 메타버스 인텔리전스. 지식 증폭. 무료 액세스.
• 크립토호크. 알트코인 레이더. 무료 시험판.
• 출처: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/