Trekk ut granulære følelser i tekst med Amazon Comprehend Targeted Sentiment

Amazon Comprehend er en naturlig språkbehandlingstjeneste (NLP) som bruker maskinlæring (ML) for å oppdage innsikt fra tekst. Som en fullstendig administrert tjeneste krever Amazon Comprehend ingen ML-ekspertise og kan skaleres til store datavolumer. Amazon Comprehend tilbyr flere forskjellige APIer for enkelt å integrere NLP i applikasjonene dine. Du kan ganske enkelt kalle opp API-ene i applikasjonen din og oppgi plasseringen av kildedokumentet eller teksten. API-ene sender ut enheter, nøkkelsetninger, sentiment, dokumentklassifisering og språk i et brukervennlig format for applikasjonen eller virksomheten din.

Sentimentanalyse-API-ene levert av Amazon Comprehend hjelper bedrifter med å bestemme følelsene til et dokument. Du kan måle den generelle følelsen til et dokument som positiv, negativ, nøytral eller blandet. For å få detaljene i å forstå sentimentet knyttet til spesifikke produkter eller merker, har bedrifter imidlertid måttet bruke løsninger som å dele teksten i logiske blokker og utlede følelsen uttrykt mot et spesifikt produkt.

For å forenkle denne prosessen, lanserer Amazon Comprehend fra og med i dag Målrettet sentiment funksjon for sentimentanalyse. Dette gir muligheten til å identifisere grupper av omtaler (medreferansegrupper) som tilsvarer en enkelt enhet eller attributt i den virkelige verden, gi følelsen knyttet til hver enhetsomtale, og gi klassifiseringen av enheten i den virkelige verden basert på en forhåndsbestemt liste over enheter.

Dette innlegget gir en oversikt over hvordan du kan komme i gang med Amazon Comprehend målrettet sentiment, demonstrerer hva du kan gjøre med resultatet, og går gjennom tre vanlige målrettede sentimentbrukssaker.

Løsningsoversikt

Følgende er et eksempel på målrettet følelse:

"Spa" er den primære enheten, identifisert som type facility, og er nevnt to ganger til, referert til som pronomenet "det." Targeted Sentiment API gir sentimentet til hver enhet. Positiv følelse er grønn, negativ er rød, og nøytral er blå. Vi kan også finne ut hvordan følelsen mot spaet endres gjennom setningen. Vi dykker dypere inn i API senere i innlegget.

Denne muligheten åpner for flere forskjellige muligheter for bedrifter. Markedsføringsteam kan spore populære følelser mot merkevarene sine i sosiale medier over tid. Netthandelselgere kan forstå hvilke spesifikke egenskaper ved produktene deres som ble best og dårligst mottatt av kundene. Telefonsenteroperatører kan bruke funksjonen til å gruve transkripsjoner for eskaleringsproblemer og for å overvåke kundeopplevelsen. Restauranter, hoteller og andre organisasjoner i gjestfrihetsbransjen kan bruke tjenesten til å gjøre brede vurderingskategorier om til rike beskrivelser av gode og dårlige kundeopplevelser.

Målrettede sentimentbrukstilfeller

Targeted Sentiment API i Amazon Comprehend tar tekstdata som innlegg på sosiale medier, applikasjonsanmeldelser og kundesentertranskripsjoner som input. Deretter analyserer den inndataene ved å bruke kraften til NLP-algoritmer for å trekke ut sentiment på enhetsnivå automatisk. An enhet er en tekstreferanse til det unike navnet på et objekt i den virkelige verden, for eksempel mennesker, steder og kommersielle gjenstander, i tillegg til presise referanser til mål som datoer og mengder. For en fullstendig liste over støttede enheter, se Målrettede sentimentenheter.

Vi bruker Targeted Sentiment API for å aktivere følgende brukstilfeller:

• En virksomhet kan identifisere deler av medarbeider-/kundeopplevelsen som er hyggelig og deler som kan forbedres.
• Kontaktsentre og kundeserviceteam kan analysere transkripsjoner eller chattelogger for å identifisere agentopplæringseffektivitet, og samtaledetaljer som spesifikke reaksjoner fra en kunde og setninger eller ord som ble brukt for å ulovliggjøre dette svaret.
• Produkteiere og UI/UX-utviklere kan identifisere funksjoner i produktet deres som brukere liker og deler som krever forbedring. Dette kan støtte produktveikartdiskusjoner og prioriteringer.

Følgende diagram illustrerer den målrettede sentimentprosessen:

I dette innlegget demonstrerer vi denne prosessen ved å bruke følgende tre eksempelanmeldelser:

• Eksempel 1: Bedrifts- og produktgjennomgang – Jeg liker virkelig hvor tykk jakken er. Jeg bruker en stor jakke fordi jeg har brede skuldre og det var det jeg bestilte og det passer perfekt der. Jeg føler nesten at det ballonger ut fra brystet og ned. Jeg tenkte jeg skulle bruke strengene i bunnen av jakken for å hjelpe til med å lukke den og få den inn, men de fungerer ikke. Jakken føles veldig klumpete.»
• Eksempel 2: Transkripsjon av kontaktsenter – «Hei, det er en svindelblokk på kredittkortet mitt, kan du fjerne det for meg. Kredittkortet mitt blir stadig flagget for svindel. Det er ganske irriterende, hver gang jeg bruker det, blir jeg stadig avvist. Jeg kommer til å kansellere kortet hvis dette skjer igjen.»
• Eksempel 3: Tilbakemeldingsundersøkelse fra arbeidsgiver – Jeg er glad for at ledelsen oppgraderer laget. Men instruktøren gikk ikke godt over det grunnleggende. Ledelsen bør gjøre mer due diligence på alles ferdighetsnivå for fremtidige økter.»

Forbered dataene

For å komme i gang, last ned eksempelfilene som inneholder eksempelteksten ved å bruke AWS kommandolinjegrensesnitt (AWS CLI) ved å kjøre følgende kommandoer:

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

Lag en Amazon enkel lagringstjeneste (Amazon S3)-bøtte, pakk ut mappen og last opp mappen som inneholder de tre eksempelfilene. Sørg for at du bruker samme region gjennom hele.

Du kan nå få tilgang til de tre eksempeltekstfilene i S3-bøtten din.

Opprett en jobb i Amazon Comprehend

Etter at du har lastet opp filene til S3-bøtten din, fullfør følgende trinn:

1. Velg på Amazon Comprehend-konsollen Analyse jobber i navigasjonsruten.
   
2. Velg Lag jobb.
   
3. Til Navn, skriv inn et navn på jobben din.
4. Til Analysetype, velg Målrettet følelse.
5. Under Inndata, skriv inn Amazon S3-plasseringen til ts-sample-data mappe.
6. Til Input format, velg Ett dokument per fil.

Du kan endre denne konfigurasjonen hvis dataene dine er i en enkelt fil avgrenset med linjer.

7. Under Utgangssted, skriv inn Amazon S3-lokasjonen der du vil lagre jobbutdataene.
8. Under AdgangstillatelserFor IAM-rolle, velg en eksisterende AWS identitets- og tilgangsadministrasjon (IAM) rolle eller opprette en som har tillatelser til S3-bøtten.
9. La de andre alternativene være standard og velg Lag jobb.
   

Etter at du har startet jobben, kan du se gjennom jobbdetaljene dine. Den totale jobbkjøringen avhenger av størrelsen på inndataene.

10. Når jobben er fullført, under Produksjon, velg koblingen til utdataplasseringen.
    

Her kan du finne en komprimert utdatafil.

11. Last ned og dekomprimer filen.

Du kan nå inspisere utdatafilene for hver eksempeltekst. Åpne filene i ditt foretrukne tekstredigeringsprogram for å se gjennom API-svarstrukturen. Vi beskriver dette mer detaljert i neste avsnitt.

API-responsstruktur

Targeted Sentiment API gir en enkel måte å konsumere resultatet fra jobbene dine. Det gir en logisk gruppering av enhetene (entitetsgruppene) som er oppdaget, sammen med sentimentet for hver enhet. Følgende er noen definisjoner av feltene som er i svaret:

• enheter – De vesentlige delene av dokumentet. For eksempel, Person, Place, Date, Foodeller Taste.
• Kommentarer – Referansene eller omtalen av enheten i dokumentet. Disse kan være pronomen eller vanlige substantiv som «det», «ham», «bok» og så videre. Disse er organisert i rekkefølge etter plassering (offset) i dokumentet.
• DescriptiveMentionIndex – Indeksen i Mentions som gir den beste fremstillingen av enhetsgruppen. For eksempel nevner "ABC Hotel" i stedet for "hotell", "det" eller andre vanlige substantiv.
• GroupScore – Tiltroen til at alle enhetene nevnt i gruppen er relatert til den samme enheten (som "jeg", "meg" og "meg selv" som refererer til én person).
• tekst – Teksten i dokumentet som skildrer enheten
• typen – En beskrivelse av hva enheten skildrer.
• Resultat – Modellens tillit til at dette er en relevant enhet.
• NevnSentiment – Den faktiske følelsen funnet for omtalen.
• Sentiment – Strengverdien til positive, neutral, negativeeller mixed.
• SentimentScore – Modelltilliten for hver mulig følelse.
• StartOffset – Forskyvningen i dokumentteksten der omtalen begynner.
• EndOffset – Forskyvningen i dokumentteksten der omtalen slutter.

For å demonstrere dette visuelt, la oss ta resultatet av den tredje brukssaken, tilbakemeldingsundersøkelsen fra arbeidsgiveren, og gå gjennom enhetsgruppene som representerer den ansatte som fullfører undersøkelsen, ledelsen og instruktøren.

La oss først se på alle omtalene av medreferanseenhetsgruppen knyttet til "jeg" (ansatt som skriver svaret) og plasseringen av omtalen i teksten. DescriptiveMentionIndex representerer indekser for enhetsomtalene som best skildrer medreferanseenhetsgruppen (i dette tilfellet 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 } } } ] }

Den neste gruppen av enheter gir alle omtaler av medreferanseenhetsgruppen knyttet til ledelsen, sammen med plasseringen i teksten. DescriptiveMentionIndex representerer indekser for enhetsomtalene som best skildrer medreferanseenhetsgruppen (i dette tilfellet management). Noe å observere i dette eksemplet er sentimentskiftet mot ledelse. Du kan bruke disse dataene til å utlede hvilke deler av ledelsens handlinger som ble oppfattet som positive, og hvilke deler som ble oppfattet som negative og derfor kan forbedres.

{ "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 } } } ] }

For å konkludere, la oss observere alle omtaler av instruktøren og plasseringen i teksten. DescriptiveMentionIndex representerer indekser for enhetsomtalene som best skildrer medreferanseenhetsgruppen (i dette tilfellet 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 } } } ] }

Referansearkitektur

Du kan bruke målrettet følelse på mange scenarier og bruke tilfeller for å øke forretningsverdien, for eksempel følgende:

• Bestem effektiviteten til markedsføringskampanjer og funksjonslanseringer ved å oppdage enhetene og omtale som inneholder de mest positive eller negative tilbakemeldingene
• Forespørselsutdata for å bestemme hvilke enheter og omtaler som er relatert til en tilsvarende enhet (positiv, negativ eller nøytral)
• Analyser sentiment på tvers av kundeinteraksjonens livssyklus i kontaktsentre for å demonstrere effektiviteten av prosess- eller opplæringsendringer

Følgende diagram viser en ende-til-ende prosess:

konklusjonen

Å forstå interaksjonene og tilbakemeldingene organisasjoner får fra kunder om deres produkter og tjenester er fortsatt avgjørende for å utvikle bedre produkter og kundeopplevelser. Som sådan kreves det mer detaljerte detaljer for å utlede bedre resultater.

I dette innlegget ga vi noen eksempler på hvordan bruk av disse detaljerte detaljene kan hjelpe organisasjoner med å forbedre produkter, kundeopplevelser og opplæring, samtidig som de stimulerer og validerer positive egenskaper. Det er mange brukssaker på tvers av bransjer der du kan eksperimentere med og få verdi fra målrettet sentiment.

Vi oppfordrer deg til å prøve denne nye funksjonen med dine brukstilfeller. For mer informasjon og for å komme i gang, se Målrettet sentiment.

Om forfatterne

Raj Pathak er en løsningsarkitekt og teknisk rådgiver for Fortune 50 og mellomstore FSI-kunder (Banking, Insurance, Capital Markets) over hele Canada og USA. Raj spesialiserer seg på maskinlæring med applikasjoner innen dokumentutvinning, kontaktsentertransformasjon og datasyn.

Sanjeev Pulapaka er senior løsningsarkitekt i det amerikanske Fed Civilian SA-teamet hos Amazon Web Services (AWS). Han jobber tett med kunder innen bygging og arkitekting av forretningskritiske løsninger. Sanjeev har lang erfaring med å lede, bygge og implementere effektive teknologiløsninger som dekker ulike forretningsbehov i flere sektorer, inkludert kommersielle, føderale, statlige og lokale myndigheter. Han har en lavere grad i ingeniørfag fra Indian Institute of Technology og en MBA fra University of Notre Dame.

• Myntsmart. Europas beste Bitcoin og Crypto Exchange.
• Platoblokkkjede. Web3 Metaverse Intelligence. Kunnskap forsterket. FRI TILGANG.
• CryptoHawk. Altcoin Radar. Gratis prøveperiode.
• Kilde: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/