Wyodrębnij szczegółowe nastroje w tekście za pomocą Amazon Comprehend Targeted Sentiment

Amazon Comprehend to usługa przetwarzania języka naturalnego (NLP), która wykorzystuje uczenie maszynowe (ML) do odkrywania informacji z tekstu. Jako usługa w pełni zarządzana, Amazon Comprehend nie wymaga specjalistycznej wiedzy z zakresu ML i może skalować się do dużych ilości danych. Amazon Comprehend zapewnia kilka różnych Pszczoła do łatwej integracji NLP z Twoimi aplikacjami. Możesz po prostu wywołać interfejsy API w swojej aplikacji i podać lokalizację dokumentu źródłowego lub tekstu. Jednostki wyjściowe interfejsów API, frazy kluczowe, sentyment, klasyfikacja dokumentów i język w łatwym w użyciu formacie dla aplikacji lub firmy.

Interfejsy API analizy sentymentu dostarczane przez Amazon Comprehend pomagają firmom określić sentyment dokumentu. Ogólny sentyment dokumentu można ocenić jako pozytywny, negatywny, neutralny lub mieszany. Jednak, aby uzyskać ziarnistość zrozumienia nastrojów związanych z określonymi produktami lub markami, firmy musiały zastosować obejścia, takie jak podzielenie tekstu na logiczne bloki i wywnioskowanie opinii wyrażonej w stosunku do określonego produktu.

Aby uprościć ten proces, od dzisiaj Amazon Comprehend wprowadza na rynek Ukierunkowany sentyment funkcja do analizy nastrojów. Zapewnia to możliwość identyfikowania grup wzmianek (grup współodniesień) odpowiadających pojedynczej encji lub atrybutowi ze świata rzeczywistego, przedstawiania opinii skojarzonej z każdą wzmianką o encji oraz klasyfikację encji ze świata rzeczywistego na podstawie z góry ustalona lista podmiotów.

Ten post zawiera przegląd tego, jak rozpocząć pracę z ukierunkowanym sentymentem Amazon Comprehend, pokazuje, co można zrobić z danymi wyjściowymi, i omawia trzy typowe przypadki użycia ukierunkowanych nastrojów.

Omówienie rozwiązania

Oto przykład ukierunkowanego sentymentu:

„Spa” jest podmiotem podstawowym, określanym jako typ facility, i jest wymieniany jeszcze dwa razy, określany jako zaimek „to”. Interfejs Targeted Sentiment API zapewnia nastawienie do każdej jednostki. Pozytywny sentyment to zielony, negatywny to czerwony, a neutralny to niebieski. Możemy też określić, jak zmienia się sentyment do uzdrowiska w całym zdaniu. W dalszej części wpisu zagłębimy się w API.

Ta funkcja otwiera kilka różnych możliwości dla firm. Zespoły marketingowe mogą z czasem śledzić popularne nastroje wobec swoich marek w mediach społecznościowych. Sprzedawcy e-commerce mogą zrozumieć, które konkretnie atrybuty ich produktów były najlepiej i najgorzej odbierane przez klientów. Operatorzy call center mogą korzystać z tej funkcji, aby wyszukiwać transkrypcje dotyczące problemów eskalacji i monitorować doświadczenia klientów. Restauracje, hotele i inne organizacje z branży hotelarskiej mogą używać tej usługi do przekształcania szerokich kategorii ocen w bogate opisy dobrych i złych doświadczeń klientów.

Ukierunkowane przypadki użycia sentymentu

Targeted Sentiment API w Amazon Comprehend pobiera dane tekstowe, takie jak posty w mediach społecznościowych, recenzje aplikacji i transkrypcje w call center, jako dane wejściowe. Następnie analizuje dane wejściowe, wykorzystując moc algorytmów NLP, aby automatycznie wyodrębnić nastroje na poziomie jednostki. jakiś jednostka jest tekstowym odniesieniem do unikalnej nazwy obiektu ze świata rzeczywistego, takiego jak ludzie, miejsca i przedmioty komercyjne, oprócz precyzyjnych odniesień do miar, takich jak daty i ilości. Aby uzyskać pełną listę obsługiwanych podmiotów, zobacz Docelowe jednostki o nastrojach.

Używamy interfejsu Targeted Sentiment API, aby umożliwić następujące przypadki użycia:

• Firma może zidentyfikować części doświadczenia pracownika/klienta, które są przyjemne, a części, które można poprawić.
• Centra kontaktowe i zespoły obsługi klienta mogą analizować transkrypcje rozmów telefonicznych lub dzienniki czatów, aby zidentyfikować skuteczność szkolenia agentów oraz szczegóły rozmowy, takie jak określone reakcje klienta oraz frazy lub słowa, które zostały użyte do uzyskania nielegalnej odpowiedzi.
• Właściciele produktów i programiści UI/UX mogą identyfikować cechy swojego produktu, które podobają się użytkownikom, oraz części, które wymagają ulepszenia. Może to wspierać dyskusje na temat planu działania produktu i ustalanie priorytetów.

Poniższy diagram ilustruje docelowy proces sentymentu:

W tym poście demonstrujemy ten proces na podstawie trzech przykładowych recenzji:

• Próbka 1: Przegląd biznesowy i produktowy – „Bardzo podoba mi się, jak gruba jest kurtka. Noszę dużą kurtkę, bo mam szerokie ramiona i tak zamówiłam i idealnie tam pasuje. Prawie czuję, jakby wylatywał z klatki piersiowej w dół. Pomyślałem, że użyję sznurków na dole kurtki, aby ją zamknąć i wsunąć, ale to nie działa. Kurtka jest bardzo obszerna”.
• Próbka 2: Transkrypcja w centrum kontaktowym – „Cześć, na mojej karcie kredytowej jest blokada oszustwa, czy możesz ją dla mnie usunąć. Moja karta kredytowa jest ciągle oflagowana za oszustwo. Jest to dość denerwujące, za każdym razem, gdy go używam, odmawiają mi. Zamierzam anulować kartę, jeśli to się powtórzy.
• Próbka 3: Ankieta z informacją zwrotną od pracodawców – „Cieszę się, że kierownictwo podnosi kwalifikacje zespołu. Ale instruktor nie omówił dobrze podstaw. Kierownictwo powinno dokładać większej staranności na poziomie umiejętności wszystkich na przyszłe sesje.”

Przygotuj dane

Aby rozpocząć, pobierz przykładowe pliki zawierające przykładowy tekst za pomocą Interfejs wiersza poleceń AWS (AWS CLI), uruchamiając następujące polecenia:

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

Tworzenie Usługa Amazon Simple Storage (Amazon S3), rozpakuj folder i prześlij folder zawierający trzy przykładowe pliki. Upewnij się, że używasz tego samego regionu w całym.

Masz teraz dostęp do trzech przykładowych plików tekstowych w swoim zasobniku S3.

Utwórz pracę w Amazon Zrozum

Po przesłaniu plików do zasobnika S3 wykonaj następujące czynności:

1. Na konsoli Amazon Comprehend wybierz Analiza zadań w okienku nawigacji.
   
2. Dodaj Utwórz pracę.
   
3. W razie zamówieenia projektu Imięwprowadź nazwę swojej pracy.
4. W razie zamówieenia projektu Typ analizywybierz Ukierunkowany sentyment.
5. Pod Dane wejściowe, wprowadź lokalizację Amazon S3 ts-przykładowe dane teczka.
6. W razie zamówieenia projektu Format wejściowywybierz Jeden dokument na plik.

Możesz zmienić tę konfigurację, jeśli dane znajdują się w pojedynczym pliku rozdzielonym liniami.

7. Pod Lokalizacja wyjściowa, wprowadź lokalizację Amazon S3, w której chcesz zapisać wyniki pracy.
8. Pod Uprawnienia dostępu, Dla Rola IAM, wybierz istniejący AWS Zarządzanie tożsamością i dostępem (IAM) lub utwórz taką, która ma uprawnienia do zasobnika S3.
9. Pozostałe opcje pozostaw jako domyślne i wybierz Utwórz pracę.
   

Po rozpoczęciu pracy możesz przejrzeć szczegóły swojej pracy. Całkowity czas wykonywania zadania zależy od rozmiaru danych wejściowych.

10. Kiedy praca jest zakończona, poniżej Wydajność, wybierz łącze do lokalizacji danych wyjściowych.
    

Tutaj znajdziesz skompresowany plik wyjściowy.

11. Pobierz i zdekompresuj plik.

Możesz teraz sprawdzić pliki wyjściowe dla każdego przykładowego tekstu. Otwórz pliki w preferowanym edytorze tekstu, aby przejrzeć strukturę odpowiedzi interfejsu API. Opiszemy to bardziej szczegółowo w następnej sekcji.

Struktura odpowiedzi API

Targeted Sentiment API zapewnia prosty sposób na wykorzystanie wyników Twoich zadań. Zapewnia logiczne grupowanie wykrytych encji (grup encji) wraz z tonacją dla każdej encji. Poniżej przedstawiono niektóre definicje pól znajdujących się w odpowiedzi:

• podmioty – Znaczące części dokumentu. Na przykład, Person, Place, Date, Foodlub Taste.
• Wzmianki – Odniesienia lub wzmianki o podmiocie w dokumencie. Mogą to być zaimki lub rzeczowniki pospolite, takie jak „to”, „on”, „książka” i tak dalej. Są one uporządkowane według lokalizacji (przesunięcia) w dokumencie.
• Opisowy indeks wzmianki – Indeks w Mentions która najlepiej oddaje grupę podmiotów. Na przykład „ABC Hotel” zamiast „hotel”, „to” lub inne wzmianki o rzeczownikach pospolitych.
• Wynik grupy – Pewność, że wszystkie podmioty wymienione w grupie są powiązane z tym samym podmiotem (np. „ja”, „ja” i „ja” odnoszą się do jednej osoby).
• Tekst – Tekst w dokumencie, który przedstawia podmiot
• Rodzaj Nieruchomości – Opis tego, co przedstawia jednostka.
• Wynik – Model pewność, że jest to odpowiedni podmiot.
• WzmiankaSentyment – Rzeczywisty sentyment znaleziony dla wzmianki.
• Sentyment – Wartość ciągu znaków positive, neutral, negativelub mixed.
• Wynik nastrojów – Model ufności dla każdego możliwego sentymentu.
• Rozpocznij odsunięcie – Przesunięcie w tekście dokumentu, w którym zaczyna się wzmianka.
• Odsunięcie końcowe – Przesunięcie w tekście dokumentu, w którym kończy się wzmianka.

Aby zademonstrować to wizualnie, weźmy dane wyjściowe trzeciego przypadku użycia, ankietę z opiniami pracodawców, i przejrzyjmy grupy jednostek, które reprezentują pracownika wypełniającego ankietę, kierownictwo i instruktora.

Przyjrzyjmy się najpierw wszystkim wzmiankom o grupie encji współodniesienia związanych z „I” (pracownik piszący odpowiedź) oraz lokalizacji wzmianki w tekście. DescriptiveMentionIndex reprezentuje indeksy wzmianek o podmiocie, które najlepiej obrazują współreferencyjną grupę podmiotów (w tym przypadku) 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 } } } ] }

Kolejna grupa podmiotów zawiera wszystkie wzmianki o grupie podmiotów współreferencyjnych związanych z zarządzaniem, wraz z jej lokalizacją w tekście. DescriptiveMentionIndex reprezentuje indeksy wzmianek o podmiocie, które najlepiej obrazują współreferencyjną grupę podmiotów (w tym przypadku) management). Coś, co można zaobserwować w tym przykładzie, to zmiana sentymentu do kierownictwa. Możesz wykorzystać te dane, aby wywnioskować, które części działań kierownictwa były postrzegane jako pozytywne, a które były postrzegane jako negatywne i dlatego można je poprawić.

{ "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 } } } ] }

Na zakończenie przyjrzyjmy się wszystkim wzmiankom o instruktorze i lokalizacji w tekście. DescriptiveMentionIndex reprezentuje indeksy wzmianek o podmiocie, które najlepiej obrazują współreferencyjną grupę podmiotów (w tym przypadku) 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 } } } ] }

Architektura referencyjna

Możesz zastosować ukierunkowany sentyment do wielu scenariuszy i przypadków użycia, aby zwiększyć wartość biznesową, na przykład:

• Określ skuteczność kampanii marketingowych i uruchomień funkcji, wykrywając podmioty i wzmianki, które zawierają najwięcej pozytywnych lub negatywnych opinii
• Dane wyjściowe zapytania, aby określić, które jednostki i wzmianki odnoszą się do odpowiedniej jednostki (pozytywne, negatywne lub neutralne)
• Analizuj sentyment w całym cyklu życia interakcji z klientem w contact center, aby wykazać skuteczność zmian w procesach lub szkoleniach

Poniższy diagram przedstawia cały proces:

Wnioski

Zrozumienie interakcji i informacji zwrotnych, jakie organizacje otrzymują od klientów na temat ich produktów i usług, pozostaje kluczowe w opracowywaniu lepszych produktów i doświadczeń klientów. W związku z tym wymagane są bardziej szczegółowe informacje, aby wywnioskować lepsze wyniki.

W tym poście przedstawiliśmy kilka przykładów tego, jak korzystanie z tych szczegółowych informacji może pomóc organizacjom w ulepszaniu produktów, doświadczeń klientów i szkoleń, jednocześnie zachęcając i weryfikując pozytywne atrybuty. Istnieje wiele przypadków użycia w różnych branżach, w których można eksperymentować i czerpać korzyści z ukierunkowanych nastrojów.

Zachęcamy do wypróbowania tej nowej funkcji w swoich przypadkach użycia. Aby uzyskać więcej informacji i rozpocząć, zapoznaj się z Ukierunkowany sentyment.

O autorach

Raj Pathak jest architektem rozwiązań i doradcą technicznym dla klientów z listy Fortune 50 i średniej wielkości FSI (bankowość, ubezpieczenia, rynki kapitałowe) w Kanadzie i Stanach Zjednoczonych. Raj specjalizuje się w uczeniu maszynowym z aplikacjami do ekstrakcji dokumentów, transformacji Contact Center i komputerowej wizji.

Sanjeev Pulapaka jest starszym architektem rozwiązań w zespole US Fed Civilian SA w Amazon Web Services (AWS). Ściśle współpracuje z klientami w zakresie budowy i architektury rozwiązań o znaczeniu krytycznym. Sanjeev ma bogate doświadczenie w prowadzeniu, projektowaniu i wdrażaniu rozwiązań technologicznych o dużym wpływie, które odpowiadają na różnorodne potrzeby biznesowe w wielu sektorach, w tym w samorządach komercyjnych, federalnych, stanowych i lokalnych. Posiada licencjat z inżynierii na Indyjskim Instytucie Technologii oraz MBA na Uniwersytecie Notre Dame.

• Coinsmart. Najlepsza w Europie giełda bitcoinów i kryptowalut.
• Platoblockchain. Web3 Inteligencja Metaverse. Wzmocniona wiedza. DARMOWY DOSTĘP.
• CryptoJastrząb. Radar Altcoin. Bezpłatna wersja próbna.
• Źródło: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/