Extrahera granulära känslor i text med Amazon Comprehend Targeted Sentiment

Amazon Comprehend är en NLP-tjänst (natural language processing) som använder maskininlärning (ML) för att upptäcka insikter från text. Som en helt hanterad tjänst kräver Amazon Comprehend ingen ML-expertis och kan skalas till stora datamängder. Amazon Comprehend erbjuder flera olika API: er för att enkelt integrera NLP i dina applikationer. Du kan helt enkelt anropa API:erna i din applikation och ange platsen för källdokumentet eller texten. API:erna matar ut enheter, nyckelfraser, sentiment, dokumentklassificering och språk i ett lättanvänt format för din applikation eller ditt företag.

De sentimentanalys-API:er som tillhandahålls av Amazon Comprehend hjälper företag att bestämma känslan för ett dokument. Du kan bedöma den övergripande känslan av ett dokument som positivt, negativt, neutralt eller blandat. Men för att få granulariteten i att förstå de känslor som är förknippade med specifika produkter eller varumärken, har företag varit tvungna att använda lösningar som att dela upp texten i logiska block och härleda de känslor som uttrycks mot en specifik produkt.

För att hjälpa till att förenkla denna process lanserar Amazon Comprehend från och med idag Riktat sentiment funktion för sentimentanalys. Detta ger möjligheten att identifiera grupper av omnämnanden (samreferensgrupper) som motsvarar en enda verklig enhet eller attribut, tillhandahålla känslan som är associerad med varje entitetsomnämnande och tillhandahålla klassificeringen av den verkliga enheten baserat på en förutbestämd lista över enheter.

Det här inlägget ger en översikt över hur du kan komma igång med Amazon Comprehend riktat sentiment, visar vad du kan göra med resultatet och går igenom tre vanliga fall för riktad sentimentanvändning.

Lösningsöversikt

Följande är ett exempel på riktade känslor:

"Spa" är den primära enheten, identifierad som typ facility, och nämns två gånger till, hänvisat till som pronomenet "det." Targeted Sentiment API tillhandahåller sentimentet gentemot varje enhet. Positivt sentiment är grönt, negativt är rött och neutralt är blått. Vi kan också avgöra hur känslorna mot spaet förändras under hela meningen. Vi dyker djupare in i API:t senare i inlägget.

Denna förmåga öppnar flera olika möjligheter för företag. Marknadsföringsteam kan spåra populära känslor gentemot sina varumärken i sociala medier över tid. E-handelshandlare kan förstå vilka specifika egenskaper hos deras produkter som mottogs bäst och sämst av kunderna. Callcenteroperatörer kan använda funktionen för att bryta transkriptioner för eskaleringsproblem och för att övervaka kundupplevelsen. Restauranger, hotell och andra organisationer inom besöksnäringen kan använda tjänsten för att förvandla breda betygskategorier till rika beskrivningar av bra och dåliga kundupplevelser.

Riktade sentimentanvändningsfall

Targeted Sentiment API i Amazon Comprehend tar textdata som inlägg på sociala medier, applikationsrecensioner och callcentertranskriptioner som input. Sedan analyserar den inmatningen med hjälp av kraften hos NLP-algoritmer för att extrahera sentiment på enhetsnivå automatiskt. En enhet är en textreferens till det unika namnet på ett verkligt objekt, som människor, platser och kommersiella föremål, förutom exakta referenser till mått som datum och kvantiteter. För en fullständig lista över enheter som stöds, se Riktade sentimentenheter.

Vi använder Targeted Sentiment API för att möjliggöra följande användningsfall:

• Ett företag kan identifiera delar av medarbetarens/kundens upplevelse som är njutbara och delar som kan förbättras.
• Kontaktcenter och kundtjänstteam kan analysera jourtranskriptioner eller chattloggar för att identifiera agentutbildningens effektivitet, och konversationsdetaljer som specifika reaktioner från en kund och fraser eller ord som användes för att otillåten det svaret.
• Produktägare och UI/UX-utvecklare kan identifiera funktioner i sin produkt som användarna gillar och delar som behöver förbättras. Detta kan stödja diskussioner och prioriteringar för produktfärdplanen.

Följande diagram illustrerar den riktade sentimentprocessen:

I det här inlägget visar vi denna process med hjälp av följande tre exempelrecensioner:

• Exempel 1: Affärs- och produktrecension – Jag gillar verkligen hur tjock jackan är. Jag bär en stor jacka för att jag har breda axlar och det var det jag beställde och det passar perfekt där. Jag känner nästan att det ballonger ut från bröstet och ner. Jag tänkte att jag skulle använda snören i nederkanten av jackan för att hjälpa till att stänga den och ta in den, men de fungerar inte. Jackan känns väldigt skrymmande.”
• Exempel 2: Kontaktcentertranskription – "Hej, det finns en bedrägerispärr på mitt kreditkort, kan du ta bort det åt mig. Mitt kreditkort fortsätter att flaggas för bedrägeri. Det är ganska irriterande, varje gång jag går för att använda det, blir jag avvisad. Jag kommer att säga upp kortet om detta händer igen.”
• Exempel 3: Arbetsgivarundersökning – ”Jag är glad att ledningen utvecklar laget. Men instruktören gick inte igenom grunderna väl. Ledningen bör göra mer due diligence på allas kompetensnivå för framtida sessioner.”

Förbered data

För att komma igång, ladda ner exempelfilerna som innehåller exempeltexten med hjälp av AWS-kommandoradsgränssnitt (AWS CLI) genom att köra följande kommandon:

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

Skapa ett Amazon enkel lagringstjänst (Amazon S3)-hinken, packa upp mappen och ladda upp mappen som innehåller de tre exempelfilerna. Se till att du använder samma region genomgående.

Du kan nu komma åt de tre exempeltextfilerna i din S3-hink.

Skapa ett jobb i Amazon Comprehend

När du har laddat upp filerna till din S3-bucket, slutför följande steg:

1. Välj på Amazon Comprehend-konsolen Analysjobb i navigeringsfönstret.
   
2. Välja Skapa jobb.
   
3. För Namn , ange ett namn för ditt jobb.
4. För Analystypväljer Riktat sentiment.
5. Enligt Indata, ange Amazon S3-platsen för ts-sample-data mapp.
6. För Inmatningsformatväljer Ett dokument per fil.

Du kan ändra denna konfiguration om dina data finns i en enda fil avgränsad med rader.

7. Enligt Utgångsplats, ange Amazon S3-platsen där du vill spara jobbutdata.
8. Enligt Åtkomstbehörigheter, För IAM-roll, välj en befintlig AWS identitets- och åtkomsthantering (IAM) roll eller skapa en som har behörighet till S3-bucket.
9. Lämna de andra alternativen som standard och välj Skapa jobb.
   

När du har börjat jobbet kan du granska dina jobbdetaljer. Den totala körtiden för jobbet beror på storleken på indata.

10. När jobbet är klart, under Produktion, välj länken till utdataplatsen.
    

Här kan du hitta en komprimerad utdatafil.

11. Ladda ner och dekomprimera filen.

Du kan nu inspektera utdatafilerna för varje exempeltext. Öppna filerna i din föredragna textredigerare för att granska API-svarsstrukturen. Vi beskriver detta mer i detalj i nästa avsnitt.

API-svarsstruktur

Targeted Sentiment API ger ett enkelt sätt att konsumera resultatet av dina jobb. Det ger en logisk gruppering av de entiteter (entitetsgrupper) som upptäckts, tillsammans med sentimentet för varje entitet. Följande är några definitioner av fälten som finns i svaret:

• enheter – De väsentliga delarna av dokumentet. Till exempel, Person, Place, Date, Food, eller Taste.
• Mentions – Referenser eller omnämnanden av enheten i dokumentet. Dessa kan vara pronomen eller vanliga substantiv som "det", "honom", "bok" och så vidare. Dessa är organiserade i ordning efter plats (offset) i dokumentet.
• DescriptiveMentionIndex – Indexet i Mentions som ger den bästa bilden av entitetsgruppen. Till exempel nämner "ABC Hotel" istället för "hotell", "det" eller andra vanliga substantiv.
• GroupScore – Förtroendet för att alla enheter som nämns i gruppen är relaterade till samma enhet (såsom "jag", "jag" och "jag själv" hänvisar till en person).
• text – Texten i dokumentet som skildrar enheten
• Typ – En beskrivning av vad enheten avbildar.
• Betyg – Modellens förtroende för att detta är en relevant enhet.
• MentionSentiment – Den faktiska känslan som hittades för omnämnandet.
• Sentiment – Strängvärdet för positive, neutral, negative, eller mixed.
• SentimentScore – Modellens förtroende för varje möjlig sentiment.
• StartOffset – Förskjutningen i dokumenttexten där omnämnandet börjar.
• EndOffset – Förskjutningen i dokumenttexten där omnämnandet slutar.

För att visa detta visuellt, låt oss ta resultatet av det tredje användningsfallet, arbetsgivarfeedback-undersökningen, och gå igenom entitetsgrupperna som representerar den anställde som fyller i undersökningen, ledningen och instruktören.

Låt oss först titta på alla omnämnanden av den medreferensenhetsgrupp som är associerad med "I" (den anställde som skriver svaret) och platsen för omnämnandet i texten. DescriptiveMentionIndex representerar index för entitetsomnämnandena som bäst skildrar medreferensentitetsgruppen (i det här fallet 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 } } } ] }

Nästa grupp av enheter tillhandahåller alla omnämnanden av den medreferensenhetsgrupp som är associerad med förvaltningen, tillsammans med dess plats i texten. DescriptiveMentionIndex representerar index för entitetsomnämnandena som bäst skildrar medreferensentitetsgruppen (i det här fallet management). Något att observera i det här exemplet är sentimentskiftet mot ledningen. Du kan använda denna information för att sluta dig till vilka delar av ledningens agerande som uppfattades som positiva och vilka delar som uppfattades som negativa och därför kan förbättras.

{ "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 } } } ] }

För att avsluta, låt oss observera alla omnämnanden av instruktören och platsen i texten. DescriptiveMentionIndex representerar index för entitetsomnämnandena som bäst skildrar medreferensentitetsgruppen (i det här fallet 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 } } } ] }

Referensarkitektur

Du kan applicera riktade känslor på många scenarier och använda fall för att skapa affärsvärde, till exempel följande:

• Bestäm effektiviteten av marknadsföringskampanjer och funktionslanseringar genom att upptäcka de enheter och omnämnanden som innehåller mest positiv eller negativ feedback
• Fråga utdata för att avgöra vilka enheter och omnämnanden som hänför sig till en motsvarande enhet (positiv, negativ eller neutral)
• Analysera sentiment över kundinteraktionens livscykel i kontaktcenter för att visa effektiviteten av process- eller utbildningsförändringar

Följande diagram visar en process från början till slut:

Slutsats

Att förstå interaktioner och feedback som organisationer får från kunder om deras produkter och tjänster är fortfarande avgörande för att utveckla bättre produkter och kundupplevelser. Som sådan krävs mer detaljerade detaljer för att dra slutsatser om bättre resultat.

I det här inlägget gav vi några exempel på hur användningen av dessa detaljerade detaljer kan hjälpa organisationer att förbättra produkter, kundupplevelser och utbildning samtidigt som det stimulerar och validerar positiva egenskaper. Det finns många användningsfall över branscher där du kan experimentera med och få värde från riktade sentiment.

Vi uppmuntrar dig att prova den här nya funktionen med dina användningsfall. För mer information och för att komma igång, se Riktat sentiment.

Om författarna

Raj Pathak är en lösningsarkitekt och teknisk rådgivare till Fortune 50 och medelstora FSI-kunder (Banking, Insurance, Capital Markets) i Kanada och USA. Raj är specialiserad på maskininlärning med applikationer inom dokumentextraktion, kontaktcentertransformation och datorseende.

Sanjeev Pulapaka är Senior Solutions Architect i det amerikanska Fed Civilian SA-teamet på Amazon Web Services (AWS). Han arbetar nära kunder inom att bygga och arkitekta affärskritiska lösningar. Sanjeev har lång erfarenhet av att leda, utforma och implementera högeffektiva teknologilösningar som tillgodoser olika affärsbehov inom flera sektorer inklusive kommersiella, federala, statliga och lokala myndigheter. Han har en grundexamen i ingenjörsexamen från Indian Institute of Technology och en MBA från University of Notre Dame.

• Myntsmart. Europas bästa bitcoin- och kryptobörs.
• Platoblockchain. Web3 Metaverse Intelligence. Kunskap förstärkt. FRI TILLGÅNG.
• CryptoHawk. Altcoin radar. Gratis provperiod.
• Källa: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/