Extraheer granulair sentiment in tekst met Amazon Comprehend Targeted Sentiment

Amazon begrijpt het is een natuurlijke taalverwerkingsservice (NLP) die machine learning (ML) gebruikt om inzichten uit tekst te ontdekken. Als volledig beheerde service vereist Amazon Comprehend geen ML-expertise en kan het worden geschaald naar grote hoeveelheden gegevens. Amazon Comprehend biedt verschillende APIs om NLP eenvoudig in uw applicaties te integreren. U kunt eenvoudig de API's in uw toepassing aanroepen en de locatie van het brondocument of de tekst opgeven. De API's voeren entiteiten, sleutelzinnen, sentiment, documentclassificatie en taal uit in een gebruiksvriendelijke indeling voor uw toepassing of bedrijf.

De sentimentanalyse-API's van Amazon Comprehend helpen bedrijven het sentiment van een document te bepalen. U kunt het algemene sentiment van een document meten als positief, negatief, neutraal of gemengd. Om het sentiment met betrekking tot specifieke producten of merken zo gedetailleerd mogelijk te begrijpen, moesten bedrijven tijdelijke oplossingen gebruiken, zoals het opdelen van de tekst in logische blokken en het afleiden van het sentiment dat naar een specifiek product wordt geuit.

Om dit proces te vereenvoudigen, lanceert Amazon Comprehend vanaf vandaag de Gericht sentiment functie voor sentimentanalyse. Dit biedt de mogelijkheid om groepen vermeldingen (co-referentiegroepen) te identificeren die overeenkomen met een enkele echte entiteit of attribuut, het gevoel te geven dat bij elke entiteitsvermelding hoort en de classificatie van de echte entiteit te geven op basis van een vooraf bepaalde lijst van entiteiten.

Dit bericht geeft een overzicht van hoe u aan de slag kunt gaan met Amazon Comprehend gericht sentiment, laat zien wat u met de output kunt doen en doorloopt drie veelvoorkomende gerichte gebruiksscenario's voor sentiment.

Overzicht oplossingen

Het volgende is een voorbeeld van gericht sentiment:

"Spa" is de primaire entiteit, geïdentificeerd als type facility, en wordt nog twee keer genoemd, het voornaamwoord "het". De Targeted Sentiment API geeft het sentiment ten opzichte van elke entiteit. Positief sentiment is groen, negatief is rood en neutraal is blauw. We kunnen ook bepalen hoe het sentiment ten opzichte van de spa in de hele zin verandert. Later in de post duiken we dieper in de API.

Deze mogelijkheid opent verschillende mogelijkheden voor bedrijven. Marketingteams kunnen in de loop van de tijd populaire sentimenten ten opzichte van hun merken op sociale media volgen. E-commercehandelaren kunnen begrijpen welke specifieke kenmerken van hun producten het best en het slechtst zijn ontvangen door klanten. Callcenteroperators kunnen de functie gebruiken om transcripties te ontginnen voor escalatieproblemen en om de klantervaring te monitoren. Restaurants, hotels en andere horecaorganisaties kunnen de service gebruiken om brede beoordelingscategorieën om te zetten in uitgebreide beschrijvingen van goede en slechte klantervaringen.

Gerichte gebruiksscenario's voor sentiment

De Targeted Sentiment API in Amazon Comprehend neemt tekstgegevens zoals posts op sociale media, applicatiereviews en callcentertranscripties als invoer. Vervolgens analyseert het de invoer met behulp van de kracht van NLP-algoritmen om automatisch sentiment op entiteitsniveau te extraheren. Een entiteit is een tekstuele verwijzing naar de unieke naam van een echt object, zoals mensen, plaatsen en commerciële items, naast precieze verwijzingen naar maten zoals data en hoeveelheden. Voor een volledige lijst van ondersteunde entiteiten, zie: Gerichte sentimententiteiten.

We gebruiken de Targeted Sentiment API om de volgende use-cases mogelijk te maken:

• Een bedrijf kan delen van de werknemers-/klantervaring identificeren die plezierig zijn en delen die verbeterd kunnen worden.
• Contactcenters en klantenserviceteams kunnen on-call transcripties of chatlogboeken analyseren om de effectiviteit van agenttrainingen en gespreksdetails zoals specifieke reacties van een klant en woordgroepen of woorden die zijn gebruikt om die reactie te ontkrachten, te identificeren.
• Producteigenaren en UI/UX-ontwikkelaars kunnen functies van hun product identificeren die gebruikers leuk vinden en onderdelen die verbetering behoeven. Dit kan discussies over productroadmaps en prioritering ondersteunen.

Het volgende diagram illustreert het beoogde sentimentproces:

In dit bericht demonstreren we dit proces met behulp van de volgende drie voorbeeldrecensies:

• Voorbeeld 1: Bedrijfs- en productbeoordeling – “Ik hou echt van hoe dik de jas is. Ik draag een grote jas omdat ik brede schouders heb en dat heb ik besteld en daar past hij perfect. Ik heb bijna het gevoel dat het vanaf de borst naar beneden springt. Ik dacht dat ik de touwtjes aan de onderkant van de jas zou gebruiken om hem te sluiten en naar binnen te brengen, maar die werken niet. De jas voelt erg volumineus aan.”
• Voorbeeld 2: Transcriptie van het contactcenter – “Hallo, er staat een fraudeblokkering op mijn creditcard, kunt u deze voor mij verwijderen. Mijn creditcard wordt steeds gemarkeerd voor fraude. Het is best vervelend, elke keer als ik het ga gebruiken, word ik steeds geweigerd. Ik ga de kaart annuleren als dit weer gebeurt."
• Voorbeeld 3: Enquête over werkgeversfeedback – “Ik ben blij dat het management het team aan het bijscholen is. Maar de instructeur heeft de basis niet goed doorgenomen. Het management zou voor toekomstige sessies meer due diligence moeten doen op ieders vaardigheidsniveau.”

Bereid de gegevens voor

Download om te beginnen de voorbeeldbestanden met de voorbeeldtekst met behulp van de AWS-opdrachtregelinterface (AWS CLI) door de volgende opdrachten uit te voeren:

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

Maak een Amazon eenvoudige opslagservice (Amazon S3) bucket, pak de map uit en upload de map met de drie voorbeeldbestanden. Zorg ervoor dat u overal dezelfde regio gebruikt.

U hebt nu toegang tot de drie voorbeeldtekstbestanden in uw S3-bucket.

Maak een baan in Amazon Comprehend

Nadat u de bestanden naar uw S3-bucket heeft geüpload, voert u de volgende stappen uit:

1. Kies op de Amazon Comprehend-console Analyse banen in het navigatievenster.
   
2. Kies Baan creëren.
   
3. Voor Naam, voer een naam in voor uw job.
4. Voor Type analyse, kiezen Gericht sentiment.
5. Onder Invoergegevens, voer de Amazon S3-locatie in van de ts-voorbeeldgegevens map.
6. Voor invoer formaat, kiezen Eén document per bestand.

U kunt deze configuratie wijzigen als uw gegevens zich in een enkel bestand bevinden, gescheiden door lijnen.

7. Onder Uitvoerlocatie, voer de Amazon S3-locatie in waar u de taakuitvoer wilt opslaan.
8. Onder Toegangsrechtenvoor IAM-rol, kies een bestaande AWS Identiteits- en toegangsbeheer (IAM)-rol of maak er een met machtigingen voor de S3-bucket.
9. Laat de andere opties als standaard en kies Baan creëren.
   

Nadat u met de taak bent begonnen, kunt u uw taakdetails bekijken. De totale looptijd van de taak is afhankelijk van de grootte van de invoergegevens.

10. Wanneer de taak is voltooid, onder uitgang, kies de link naar de locatie van de uitvoergegevens.
    

Hier vindt u een gecomprimeerd uitvoerbestand.

11. Download en decomprimeer het bestand.

U kunt nu de uitvoerbestanden voor elke voorbeeldtekst inspecteren. Open de bestanden in de teksteditor van uw voorkeur om de API-responsstructuur te bekijken. We beschrijven dit in meer detail in de volgende sectie.

API-responsstructuur

De Targeted Sentiment API biedt een eenvoudige manier om de uitvoer van uw taken te consumeren. Het biedt een logische groepering van de gedetecteerde entiteiten (entiteitsgroepen), samen met het sentiment voor elke entiteit. Hieronder volgen enkele definities van de velden die in het antwoord staan:

• Entiteiten – De significante delen van het document. Bijvoorbeeld, Person, Place, Date, Foodof Taste.
• Mentions – De referenties of vermeldingen van de entiteit in het document. Dit kunnen voornaamwoorden of gewone zelfstandige naamwoorden zijn, zoals 'het', 'hem', 'boek', enzovoort. Deze zijn gerangschikt op locatie (offset) in het document.
• BeschrijvendeVermeldingIndex – De index in Mentions die de beste weergave van de entiteitsgroep geeft. Bijvoorbeeld 'ABC Hotel' in plaats van 'hotel', 'it' of andere vermeldingen van gewone zelfstandige naamwoorden.
• Groepsscore – Het vertrouwen dat alle entiteiten die in de groep worden genoemd, verband houden met dezelfde entiteit (zoals 'ik', 'mij' en 'mezelf' die verwijzen naar één persoon).
• Tekst – De tekst in het document die de entiteit weergeeft
• Type – Een beschrijving van wat de entiteit afbeeldt.
• Score – Het modelvertrouwen dat dit een relevante entiteit is.
• Noem Sentiment – Het werkelijke gevoel dat voor de vermelding is gevonden.
• Sentiment – De tekenreekswaarde van positive, neutral, negativeof mixed.
• SentimentScore – Het modelvertrouwen voor elk mogelijk sentiment.
• Beginoffset – De offset in de documenttekst waar de vermelding begint.
• Eindoffset – De offset in de documenttekst waar de vermelding eindigt.

Om dit visueel aan te tonen, nemen we de output van de derde use case, de werkgeversfeedbackenquête, en lopen we door de entiteitsgroepen die de werknemer vertegenwoordigen die de enquête voltooit, het management en de instructeur.

Laten we eerst kijken naar alle vermeldingen van de co-referentie-entiteitsgroep die is gekoppeld aan "I" (de werknemer die het antwoord schrijft) en de locatie van de vermelding in de tekst. DescriptiveMentionIndex vertegenwoordigt indexen van de entiteitsvermeldingen die de co-referentie-entiteitsgroep het beste weergeven (in dit geval 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 } } } ] }

De volgende groep entiteiten bevat alle vermeldingen van de groep met co-referentie-entiteiten die bij het management hoort, samen met de locatie ervan in de tekst. DescriptiveMentionIndex vertegenwoordigt indexen van de entiteitsvermeldingen die de co-referentie-entiteitsgroep het beste weergeven (in dit geval management). Wat in dit voorbeeld opvalt, is de sentimentverschuiving richting management. U kunt deze gegevens gebruiken om af te leiden welke delen van de acties van het management als positief werden ervaren en welke delen als negatief werden ervaren en daarom kunnen worden verbeterd.

{ "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 } } } ] }

Laten we tot slot alle vermeldingen van de instructeur en de locatie in de tekst in acht nemen. DescriptiveMentionIndex vertegenwoordigt indexen van de entiteitsvermeldingen die de co-referentie-entiteitsgroep het beste weergeven (in dit geval 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 } } } ] }

Referentie-architectuur

U kunt gericht sentiment toepassen op veel scenario's en use cases om bedrijfswaarde te vergroten, zoals:

• Bepaal de effectiviteit van marketingcampagnes en de lancering van functies door de entiteiten en vermeldingen te detecteren die de meeste positieve of negatieve feedback bevatten
• Query-uitvoer om te bepalen welke entiteiten en vermeldingen betrekking hebben op een overeenkomstige entiteit (positief, negatief of neutraal)
• Analyseer het sentiment tijdens de levenscyclus van klantinteracties in contactcenters om de effectiviteit van proces- of trainingsveranderingen aan te tonen

Het volgende diagram geeft een end-to-end proces weer:

Conclusie

Inzicht in de interacties en feedback die organisaties van klanten krijgen over hun producten en diensten blijft cruciaal bij het ontwikkelen van betere producten en klantervaringen. Als zodanig zijn meer gedetailleerde details vereist om betere resultaten af ​​te leiden.

In dit bericht hebben we enkele voorbeelden gegeven van hoe het gebruik van deze gedetailleerde details organisaties kan helpen om producten, klantervaringen en training te verbeteren en tegelijkertijd positieve eigenschappen te stimuleren en valideren. Er zijn veel use-cases in verschillende sectoren waar u kunt experimenteren met en waarde kunt halen uit gericht sentiment.

We raden u aan om deze nieuwe functie uit te proberen met uw gebruiksscenario's. Raadpleeg voor meer informatie en om aan de slag te gaan: Gericht sentiment.

Over de auteurs

Raj Pathak is Solutions Architect en technisch adviseur voor Fortune 50- en middelgrote FSI-klanten (Banking, Insurance, Capital Markets) in Canada en de Verenigde Staten. Raj is gespecialiseerd in Machine Learning met toepassingen in Document Extraction, Contact Center Transformation en Computer Vision.

Sanjeev Pulapaka is Senior Solutions Architect in het Amerikaanse Fed Civilian SA-team bij Amazon Web Services (AWS). Hij werkt nauw samen met klanten bij het bouwen en ontwerpen van bedrijfskritische oplossingen. Sanjeev heeft uitgebreide ervaring in het leiden, ontwerpen en implementeren van high-impact technologische oplossingen die voorzien in uiteenlopende zakelijke behoeften in meerdere sectoren, waaronder commerciële, federale, staats- en lokale overheden. Hij heeft een bachelordiploma in engineering van het Indian Institute of Technology en een MBA van de University of Notre Dame.

• Coinsmart. Europa's beste Bitcoin- en crypto-uitwisseling.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. GRATIS TOEGANG.
• CryptoHawk. Altcoin-radar. Gratis proefversie.
• Bron: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/