Z Amazon Comprehend Targeted Sentiment iz besedila izvlecite zrnato razpoloženje

Amazonsko razumevanje je storitev za obdelavo naravnega jezika (NLP), ki uporablja strojno učenje (ML) za odkrivanje vpogledov iz besedila. Kot v celoti upravljana storitev Amazon Comprehend ne potrebuje strokovnega znanja o ML in se lahko razširi na velike količine podatkov. Amazon Comprehend ponuja več različnih API-ji za enostavno integracijo NLP v vaše aplikacije. Lahko preprosto pokličete API-je v svoji aplikaciji in podate lokacijo izvornega dokumenta ali besedila. API-ji izpišejo entitete, ključne fraze, razpoloženje, klasifikacijo dokumentov in jezik v formatu, ki je enostaven za uporabo za vašo aplikacijo ali podjetje.

API-ji za analizo razpoloženja, ki jih ponuja Amazon Comprehend, pomagajo podjetjem določiti razpoloženje dokumenta. Splošno razpoloženje dokumenta lahko ocenite kot pozitivno, negativno, nevtralno ali mešano. Vendar pa so morala podjetja za natančno razumevanje občutkov, povezanih z določenimi izdelki ali blagovnimi znamkami, uporabiti rešitve, kot je razdelitev besedila na logične bloke in sklepanje o občutkih, izraženih do določenega izdelka.

Za pomoč pri poenostavitvi tega postopka Amazon Comprehend od danes uvaja Ciljno razpoloženje funkcija za analizo razpoloženja. To zagotavlja zmožnost prepoznavanja skupin omemb (koreferenčnih skupin), ki ustrezajo eni entiteti ali atributu iz resničnega sveta, zagotavlja občutek, povezan z vsako omembo entitete, in zagotavlja klasifikacijo entitete iz resničnega sveta na podlagi vnaprej določen seznam subjektov.

Ta objava nudi pregled, kako lahko začnete uporabljati ciljno razpoloženje Amazon Comprehend, prikazuje, kaj lahko naredite z izhodom, in se sprehodi skozi tri pogoste primere uporabe ciljno razpoloženja.

Pregled rešitev

Sledi primer ciljnega čustva:

»Spa« je primarna entiteta, opredeljena kot vrsta facility, in je omenjen še dvakrat, imenovan zaimek »to«. Targeted Sentiment API zagotavlja mnenje do vsake entitete. Pozitivno razpoloženje je zeleno, negativno je rdeče, nevtralno pa modro. Ugotovimo lahko tudi, kako se skozi stavek spreminja sentiment do toplic. V nadaljevanju objave se poglobimo v API.

Ta zmožnost odpira več različnih zmogljivosti za podjetja. Tržne ekipe lahko skozi čas spremljajo priljubljena čustva do njihovih blagovnih znamk v družbenih medijih. Trgovci v e-trgovini lahko razumejo, katere posebne lastnosti njihovih izdelkov so stranke najbolje in najslabše sprejele. Operaterji klicnih centrov lahko uporabijo to funkcijo za rudarjenje prepisov za težave z eskalacijo in za spremljanje uporabniške izkušnje. Restavracije, hoteli in druge organizacije v gostinstvu lahko s storitvijo spremenijo široke kategorije ocen v bogate opise dobrih in slabih izkušenj strank.

Primeri uporabe ciljnega občutka

Targeted Sentiment API v Amazon Comprehend kot vhodne podatke sprejema besedilne podatke, kot so objave v družabnih medijih, ocene aplikacij in prepisi klicnega centra. Nato analizira vnos z močjo algoritmov NLP, da samodejno izlušči občutke na ravni entitete. An entiteta je besedilno sklicevanje na edinstveno ime predmeta iz resničnega sveta, kot so ljudje, kraji in komercialni predmeti, poleg natančnih sklicev na mere, kot so datumi in količine. Za celoten seznam podprtih subjektov glejte Ciljne entitete čustev.

Targeted Sentiment API uporabljamo za omogočanje naslednjih primerov uporabe:

• Podjetje lahko prepozna dele izkušnje zaposlenega/stranke, ki so prijetni, in dele, ki bi jih lahko izboljšali.
• Kontaktni centri in ekipe za pomoč strankam lahko analizirajo prepise klicev ali dnevnike klepetov, da prepoznajo učinkovitost usposabljanja agentov in podrobnosti pogovorov, kot so specifične reakcije stranke in fraze ali besede, ki so bile uporabljene za nedovoljen odgovor.
• Lastniki izdelkov in razvijalci UI/UX lahko prepoznajo funkcije svojega izdelka, ki jih uporabniki uživajo, in dele, ki jih je treba izboljšati. To lahko podpira razprave o časovnem načrtu izdelka in določanje prednostnih nalog.

Naslednji diagram prikazuje ciljni proces razpoloženja:

V tej objavi prikazujemo ta postopek z naslednjimi tremi vzorčnimi pregledi:

• Vzorec 1: Pregled poslovanja in izdelkov – »Zelo mi je všeč, kako debela je jakna. Nosim veliko jakno, ker imam široka ramena in to sem naročila in se tam popolnoma prilega. Skoraj se počutim, kot da bi balon iz prsnega koša navzdol. Mislil sem, da bi uporabil vrvice na dnu jakne, da bi jo lažje zaprl in prinesel noter, vendar ne delujejo. Jakna se zdi zelo obsežna.”
• Vzorec 2: Prepis kontaktnega centra – »Pozdravljeni, na moji kreditni kartici je blokirana goljufija, ali mi jo lahko odstranite. Mojo kreditno kartico kar naprej označujejo za goljufijo. To je precej nadležno, vsakič, ko ga uporabim, me vedno znova zavrnejo. Kartico bom preklical, če se bo to ponovilo.”
• Vzorec 3: Anketa o povratnih informacijah delodajalca – »Vesel sem, da vodstvo izpopolnjuje ekipo. Toda inštruktor ni šel dobro čez osnove. Vodstvo bi moralo bolj skrbno preučiti raven spretnosti vseh za prihodnje seje.«

Pripravite podatke

Za začetek prenesite vzorčne datoteke, ki vsebujejo primer besedila, z uporabo Vmesnik ukazne vrstice AWS (AWS CLI) z izvajanjem naslednjih ukazov:

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

Ustvari Preprosta storitev shranjevanja Amazon (Amazon S3), razpakirajte mapo in naložite mapo, ki vsebuje tri vzorčne datoteke. Prepričajte se, da vseskozi uporabljate isto regijo.

Zdaj lahko dostopate do treh vzorčnih besedilnih datotek v vedru S3.

Ustvarite službo v Amazon Comprehend

Ko naložite datoteke v vedro S3, dokončajte naslednje korake:

1. Na konzoli Amazon Comprehend izberite Opravila za analizo v podoknu za krmarjenje.
   
2. Izberite Ustvari službo.
   
3. za Ime, vnesite ime za svojo službo.
4. za Vrsta analize, izberite Ciljno razpoloženje.
5. Pod Vhodni podatki, vnesite lokacijo Amazon S3 za ts-vzorčni podatki mapa.
6. za Vhodna oblika, izberite En dokument na datoteko.

To konfiguracijo lahko spremenite, če so vaši podatki v eni sami datoteki, ločeni s črtami.

7. Pod Izhodna lokacija, vnesite lokacijo Amazon S3, kamor želite shraniti izpis opravila.
8. Pod Dovoljenja za dostopZa Vloga IAM, izberite obstoječo AWS upravljanje identitete in dostopa (IAM) ali ustvarite vlogo, ki ima dovoljenja za vedro S3.
9. Ostale možnosti pustite privzete in izberite Ustvari službo.
   

Ko začnete z delom, lahko pregledate podrobnosti o svojem delu. Skupni čas izvajanja opravila je odvisen od velikosti vhodnih podatkov.

10. Ko je delo končano, pod izhod, izberite povezavo do lokacije izhodnih podatkov.
    

Tukaj lahko najdete stisnjeno izhodno datoteko.

11. Prenesite in razpakirajte datoteko.

Zdaj lahko pregledate izhodne datoteke za vsako vzorčno besedilo. Odprite datoteke v želenem urejevalniku besedila, da pregledate strukturo odziva API-ja. To bomo podrobneje opisali v naslednjem razdelku.

Struktura odziva API

Targeted Sentiment API ponuja preprost način za uporabo rezultatov vaših delovnih mest. Zagotavlja logično združevanje odkritih entitet (skupin entitet) skupaj z razpoloženjem za vsako entiteto. Sledi nekaj definicij polj v odgovoru:

• Subjekti – Pomembni deli dokumenta. na primer Person, Place, Date, Foodali Taste.
• Omenja – Reference ali omembe subjekta v dokumentu. To so lahko zaimki ali pogosti samostalniki, kot so »to«, »on«, »knjiga« itd. Ti so organizirani po vrstnem redu glede na lokacijo (odmik) v dokumentu.
• DescriptiveMentionIndex – Indeks v Mentions ki daje najboljši prikaz skupine entitet. Na primer »ABC Hotel« namesto »hotel«, »to« ali druge omembe pogostih samostalnikov.
• GroupScore – Zaupanje, da so vse entitete, omenjene v skupini, povezane z isto entiteto (kot so »jaz«, »jaz« in »jaz«, ki se nanašajo na eno osebo).
• Besedilo – Besedilo v dokumentu, ki prikazuje entiteto
• tip – Opis tega, kar entiteta prikazuje.
• Rezultat – Zaupanje modela, da je to ustrezen subjekt.
• MentionSentiment – Dejansko razpoloženje, ugotovljeno za omembo.
• Sentiment – Vrednost niza za positive, neutral, negativeali mixed.
• SentimentScore – Model zaupanja za vsako možno čustvo.
• BeginOffset – Odmik v besedilu dokumenta, kjer se začne omemba.
• Končni odmik – Odmik v besedilu dokumenta, kjer se omemba konča.

Da bi to vizualno prikazali, vzemimo rezultat tretjega primera uporabe, anketo o povratnih informacijah delodajalca, in se sprehodimo skozi skupine entitet, ki predstavljajo zaposlenega, ki izpolnjuje anketo, vodstvo in inštruktorja.

Najprej si oglejmo vse omembe skupine koreferenčnih entitet, povezane z »jaz« (zaposleni, ki piše odgovor) in lokacijo omembe v besedilu. DescriptiveMentionIndex predstavlja indekse omemb entitet, ki najbolje prikazujejo koreferenčno skupino entitet (v tem primeru 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 } } } ] }

Naslednja skupina entitet vsebuje vse omembe koreferenčne skupine entitet, povezane z upravljanjem, skupaj z njeno lokacijo v besedilu. DescriptiveMentionIndex predstavlja indekse omemb entitet, ki najbolje prikazujejo koreferenčno skupino entitet (v tem primeru management). Nekaj, kar je treba opaziti v tem primeru, je premik občutkov k upravljanju. Na podlagi teh podatkov lahko sklepate, kateri deli vodstvenih dejanj so bili zaznani kot pozitivni in kateri deli so bili zaznani kot negativni in jih je zato mogoče izboljšati.

{ "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 } } } ] }

Za konec opazujmo vse omembe inštruktorja in lokacijo v besedilu. DescriptiveMentionIndex predstavlja indekse omemb entitet, ki najbolje prikazujejo koreferenčno skupino entitet (v tem primeru 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 } } } ] }

Referenčna arhitektura

Ciljno razpoloženje lahko uporabite za številne scenarije in primere uporabe za spodbujanje poslovne vrednosti, kot je naslednje:

• Ugotovite učinkovitost trženjskih kampanj in lansiranj funkcij z odkrivanjem subjektov in omemb, ki vsebujejo največ pozitivnih ali negativnih povratnih informacij
• Izhod poizvedbe za določitev, katere entitete in omembe se nanašajo na ustrezno entiteto (pozitivno, negativno ali nevtralno)
• Analizirajte razpoloženje v celotnem življenjskem ciklu interakcije s strankami v kontaktnih centrih, da dokažete učinkovitost sprememb procesa ali usposabljanja

Naslednji diagram prikazuje postopek od konca do konca:

zaključek

Razumevanje interakcij in povratnih informacij, ki jih organizacije prejmejo od strank o svojih izdelkih in storitvah, ostaja ključnega pomena pri razvoju boljših izdelkov in uporabniških izkušenj. Zato so za sklepanje boljših rezultatov potrebne natančnejše podrobnosti.

V tej objavi smo podali nekaj primerov, kako lahko uporaba teh podrobnih podrobnosti pomaga organizacijam izboljšati izdelke, uporabniške izkušnje in usposabljanje, hkrati pa spodbuditi in potrditi pozitivne lastnosti. Obstaja veliko primerov uporabe v panogah, kjer lahko eksperimentirate s ciljno usmerjenim občutkom in pridobite vrednost.

Svetujemo vam, da preizkusite to novo funkcijo v svojih primerih uporabe. Za več informacij in za začetek glejte Ciljno razpoloženje.

O avtorjih

Raj Pathak je arhitekt rešitev in tehnični svetovalec za stranke Fortune 50 in srednje velikih FSI (bančništvo, zavarovalništvo, kapitalski trgi) po vsej Kanadi in Združenih državah. Raj je specializiran za strojno učenje z aplikacijami za ekstrakcijo dokumentov, transformacijo kontaktnega centra in računalniški vid.

Sanjeev Pulapaka je višji arhitekt rešitev v skupini US Fed Civilian SA pri Amazon Web Services (AWS). Tesno sodeluje s strankami pri gradnji in projektiranju kritičnih rešitev. Sanjeev ima bogate izkušnje z vodenjem, projektiranjem in uvajanjem visokoodpornih tehnoloških rešitev, ki obravnavajo različne poslovne potrebe v več sektorjih, vključno s komercialnimi, zveznimi, državnimi in lokalnimi oblastmi. Ima dodiplomski študij inženirstva na Indijskem inštitutu za tehnologijo in MBA na Univerzi Notre Dame.

• Coinsmart. Najboljša evropska borza bitcoinov in kriptovalut.
• Platoblockchain. Web3 Metaverse Intelligence. Razširjeno znanje. PROST DOSTOP.
• CryptoHawk. Altcoin radar. Brezplačen preizkus.
• Vir: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/