Extraia sentimentos granulares em texto com o Amazon Comprehend Targeted Sentiment

Amazon Comprehend é um serviço de processamento de linguagem natural (NLP) que usa aprendizado de máquina (ML) para descobrir insights de texto. Como um serviço totalmente gerenciado, o Amazon Comprehend não requer experiência em ML e pode ser dimensionado para grandes volumes de dados. O Amazon Comprehend fornece vários APIs para integrar facilmente a PNL em seus aplicativos. Você pode simplesmente chamar as APIs em seu aplicativo e fornecer a localização do documento ou texto de origem. As APIs geram entidades, frases-chave, sentimento, classificação de documentos e idioma em um formato fácil de usar para seu aplicativo ou negócio.

As APIs de análise de sentimento fornecidas pelo Amazon Comprehend ajudam as empresas a determinar o sentimento de um documento. Você pode avaliar o sentimento geral de um documento como positivo, negativo, neutro ou misto. No entanto, para obter a granularidade de entender o sentimento associado a produtos ou marcas específicos, as empresas tiveram que empregar soluções alternativas, como dividir o texto em blocos lógicos e inferir o sentimento expresso em relação a um produto específico.

Para ajudar a simplificar esse processo, a partir de hoje, o Amazon Comprehend está lançando o Sentimento direcionado recurso para análise de sentimentos. Isso fornece a capacidade de identificar grupos de menções (grupos de co-referência) correspondentes a uma única entidade ou atributo do mundo real, fornecer o sentimento associado a cada menção de entidade e fornecer a classificação da entidade do mundo real com base em um lista pré-determinada de entidades.

Esta postagem fornece uma visão geral de como você pode começar a usar o sentimento direcionado do Amazon Comprehend, demonstra o que você pode fazer com a saída e percorre três casos de uso comuns de sentimento direcionado.

Visão geral da solução

Veja a seguir um exemplo de sentimento direcionado:

“Spa” é a entidade primária, identificada como tipo facility, e é mencionado mais duas vezes, referido como o pronome “isso”. A API Targeted Sentiment fornece o sentimento em relação a cada entidade. O sentimento positivo é verde, o negativo é vermelho e o neutro é azul. Também podemos determinar como o sentimento em relação ao spa muda ao longo da frase. Nós nos aprofundamos na API mais adiante no post.

Esse recurso abre vários recursos diferentes para as empresas. As equipes de marketing podem rastrear os sentimentos populares em relação às suas marcas nas mídias sociais ao longo do tempo. Os comerciantes de comércio eletrônico podem entender quais atributos específicos de seus produtos foram melhor e pior recebidos pelos clientes. Os operadores de call center podem usar o recurso para extrair transcrições para problemas de escalonamento e monitorar a experiência do cliente. Restaurantes, hotéis e outras organizações do setor de hospitalidade podem usar o serviço para transformar categorias amplas de classificações em descrições ricas de boas e más experiências do cliente.

Casos de uso de sentimento direcionado

A API Targeted Sentiment no Amazon Comprehend recebe dados de texto, como postagens de mídia social, análises de aplicativos e transcrições de call center como entrada. Em seguida, ele analisa a entrada usando o poder dos algoritmos de PNL para extrair automaticamente o sentimento no nível da entidade. A entidade é uma referência textual ao nome exclusivo de um objeto do mundo real, como pessoas, lugares e itens comerciais, além de referências precisas a medidas como datas e quantidades. Para obter uma lista completa de entidades suportadas, consulte Entidades de Sentimento Alvo.

Usamos a API Targeted Sentiment para habilitar os seguintes casos de uso:

• Uma empresa pode identificar partes da experiência do funcionário/cliente que são agradáveis ​​e partes que podem ser melhoradas.
• Os contact centers e as equipes de atendimento ao cliente podem analisar transcrições de chamadas ou logs de bate-papo para identificar a eficácia do treinamento do agente e detalhes da conversa, como reações específicas de um cliente e frases ou palavras que foram usadas para obter essa resposta.
• Proprietários de produtos e desenvolvedores de UI/UX podem identificar recursos de seus produtos que os usuários gostam e partes que precisam ser aprimoradas. Isso pode dar suporte a discussões e priorização de roteiros de produtos.

O diagrama a seguir ilustra o processo de sentimento direcionado:

Neste post, demonstramos esse processo usando as três revisões de amostra a seguir:

• Amostra 1: análise de negócios e produtos – “Gosto muito da espessura do casaco. Eu uso uma jaqueta grande porque tenho ombros largos e foi o que pedi e se encaixa perfeitamente lá. Eu quase sinto como se fosse um balão do peito para baixo. Eu pensei em usar as cordas na parte inferior da jaqueta para ajudar a fechá-la e trazê-la para dentro, mas elas não funcionam. A jaqueta parece muito volumosa.”
• Amostra 2: transcrição do centro de contato – “Olá, há um bloqueio de fraude no meu cartão de crédito, você pode removê-lo para mim. Meu cartão de crédito continua sendo sinalizado por fraude. É muito chato, toda vez que vou usá-lo, continuo sendo recusado. Vou cancelar o cartão se isso acontecer novamente.”
• Amostra 3: Pesquisa de feedback do empregador – “Estou feliz que a gerência esteja aprimorando a equipe. Mas o instrutor não passou bem o básico. A administração deve fazer mais diligência no nível de habilidade de todos para sessões futuras.”

Prepare os dados

Para começar, baixe os arquivos de amostra contendo o texto de exemplo usando o Interface de linha de comando da AWS (AWS CLI) executando os seguintes comandos:

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

Crie uma Serviço de armazenamento simples da Amazon (Amazon S3), descompacte a pasta e carregue a pasta que contém os três arquivos de amostra. Certifique-se de estar usando a mesma região por toda parte.

Agora você pode acessar os três arquivos de texto de amostra em seu bucket do S3.

Criar um trabalho no Amazon Comprehend

Depois de fazer upload dos arquivos para o bucket do S3, conclua as etapas a seguir:

1. No console do Amazon Comprehend, escolha Trabalhos de análise no painel de navegação.
   
2. Escolha Criar emprego.
   
3. Escolha Nome, digite um nome para o seu trabalho.
4. Escolha Tipo de análise, escolha Sentimento direcionado.
5. Debaixo Dados de entrada, insira o local do Amazon S3 do dados de amostra ts pasta.
6. Escolha Formato de entrada, escolha Um documento por arquivo.

Você pode alterar essa configuração se seus dados estiverem em um único arquivo delimitado por linhas.

7. Debaixo Local de saída, insira o local do Amazon S3 onde você deseja salvar a saída do trabalho.
8. Debaixo Permissões de acesso, Por Papel do IAM, escolha um existente Gerenciamento de acesso e identidade da AWS (IAM) ou crie uma que tenha permissões para o bucket do S3.
9. Deixe as outras opções como padrão e escolha Criar emprego.
   

Depois de iniciar o trabalho, você pode revisar os detalhes do trabalho. O tempo de execução total da tarefa depende do tamanho dos dados de entrada.

10. Quando o trabalho estiver concluído, sob saída, escolha o link para o local dos dados de saída.
    

Aqui você pode encontrar um arquivo de saída compactado.

11. Baixe e descompacte o arquivo.

Agora você pode inspecionar os arquivos de saída para cada texto de amostra. Abra os arquivos em seu editor de texto preferido para revisar a estrutura de resposta da API. Descrevemos isso com mais detalhes na próxima seção.

Estrutura de resposta da API

A API Targeted Sentiment fornece uma maneira simples de consumir a saída de seus trabalhos. Ele fornece um agrupamento lógico das entidades (grupos de entidades) detectadas, juntamente com o sentimento de cada entidade. A seguir estão algumas definições dos campos que estão na resposta:

• Entidades – As partes significativas do documento. Por exemplo, Person, Place, Date, Foodou Taste.
• Menções – As referências ou menções da entidade no documento. Estes podem ser pronomes ou substantivos comuns, como “isso”, “ele”, “livro” e assim por diante. Eles são organizados em ordem por local (deslocamento) no documento.
• Índice de Menção Descritiva – O índice de Mentions que fornece a melhor representação do grupo de entidades. Por exemplo, “ABC Hotel” em vez de “hotel”, “it” ou outras menções de substantivos comuns.
• Pontuação do Grupo – A confiança de que todas as entidades mencionadas no grupo estão relacionadas à mesma entidade (como “eu”, “eu” e “eu mesmo” referindo-se a uma pessoa).
• Texto – O texto no documento que descreve a entidade
• Formato – Uma descrição do que a entidade retrata.
• Contagem – A confiança do modelo de que esta é uma entidade relevante.
• Menção Sentimento – O sentimento real encontrado para a menção.
• Sentimento – O valor da cadeia de positive, neutral, negativeou mixed.
• SentimentScore – A confiança do modelo para cada sentimento possível.
• InícioDeslocamento – O deslocamento no texto do documento onde a menção começa.
• EndOffset – O deslocamento no texto do documento onde a menção termina.

Para demonstrar isso visualmente, vamos pegar a saída do terceiro caso de uso, a pesquisa de feedback do empregador, e percorrer os grupos de entidades que representam o funcionário que conclui a pesquisa, o gerenciamento e o instrutor.

Vejamos primeiro todas as menções ao grupo de entidades de co-referência associado a “I” (o funcionário que escreve a resposta) e a localização da menção no texto. DescriptiveMentionIndex representa índices das menções da entidade que melhor retratam o grupo de entidades de co-referência (neste caso 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 } } } ] }

O próximo grupo de entidades fornece todas as menções ao grupo de entidades de co-referência associado à gestão, juntamente com sua localização no texto. DescriptiveMentionIndex representa índices das menções da entidade que melhor retratam o grupo de entidades de co-referência (neste caso management). Algo a ser observado neste exemplo é a mudança de sentimento em relação à gestão. Você pode usar esses dados para inferir quais partes das ações da administração foram percebidas como positivas e quais foram percebidas como negativas e, portanto, podem ser melhoradas.

{ "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 } } } ] }

Para finalizar, vamos observar todas as menções ao instrutor e a localização no texto. DescriptiveMentionIndex representa índices das menções da entidade que melhor retratam o grupo de entidades de co-referência (neste caso 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 } } } ] }

Arquitetura de referência

Você pode aplicar o sentimento direcionado a muitos cenários e casos de uso para gerar valor comercial, como o seguinte:

• Determine a eficácia das campanhas de marketing e lançamentos de recursos detectando as entidades e menções que contêm o feedback mais positivo ou negativo
• Saída da consulta para determinar quais entidades e menções estão relacionadas a uma entidade correspondente (positiva, negativa ou neutra)
• Analise o sentimento em todo o ciclo de vida da interação com o cliente em contact centers para demonstrar a eficácia das mudanças de processo ou treinamento

O diagrama a seguir descreve um processo de ponta a ponta:

Conclusão

Compreender as interações e o feedback que as organizações recebem dos clientes sobre seus produtos e serviços continua sendo crucial no desenvolvimento de melhores produtos e experiências do cliente. Como tal, detalhes mais granulares são necessários para inferir melhores resultados.

Nesta postagem, fornecemos alguns exemplos de como o uso desses detalhes granulares pode ajudar as organizações a melhorar produtos, experiências do cliente e treinamento, além de incentivar e validar atributos positivos. Existem muitos casos de uso em todos os setores nos quais você pode experimentar e obter valor com o sentimento direcionado.

Recomendamos que você experimente esse novo recurso com seus casos de uso. Para obter mais informações e para começar, consulte Sentimento direcionado.

Sobre os autores

Raj Pathak é arquiteto de soluções e consultor técnico para clientes da Fortune 50 e FSI de médio porte (bancos, seguros, mercados de capitais) no Canadá e nos Estados Unidos. Raj é especialista em Machine Learning com aplicações em Extração de Documentos, Transformação de Contact Center e Visão Computacional.

Sanjeev Pulapaka é arquiteto de soluções sênior na equipe US Fed Civilian SA na Amazon Web Services (AWS). Ele trabalha em estreita colaboração com os clientes na construção e arquitetura de soluções de missão crítica. Sanjeev tem vasta experiência em liderar, arquitetar e implementar soluções de tecnologia de alto impacto que atendem a diversas necessidades de negócios em vários setores, incluindo governos comerciais, federais, estaduais e locais. Ele é formado em engenharia pelo Indian Institute of Technology e possui MBA pela University of Notre Dame.

• Coinsmart. A melhor troca de Bitcoin e criptografia da Europa.
• Platoblockchain. Inteligência Metaverso Web3. Conhecimento Ampliado. ACESSO LIVRE.
• CryptoHawk. Radar Altcoin. Teste grátis.
• Fonte: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/