ดึงความรู้สึกแบบละเอียดในข้อความด้วย Amazon Comprehend Targeted Sentiment

เข้าใจ Amazon เป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้การเรียนรู้ของเครื่อง (ML) เพื่อค้นหาข้อมูลเชิงลึกจากข้อความ ในฐานะบริการที่มีการจัดการเต็มรูปแบบ Amazon Comprehend ไม่ต้องการความเชี่ยวชาญด้าน ML และสามารถปรับขนาดเป็นข้อมูลปริมาณมากได้ Amazon Comprehend ให้ความแตกต่างหลายประการ APIs เพื่อรวม NLP เข้ากับแอปพลิเคชันของคุณอย่างง่ายดาย คุณสามารถเรียก API ในแอปพลิเคชันของคุณและระบุตำแหน่งของเอกสารต้นทางหรือข้อความได้ เอนทิตีเอาต์พุต API วลีสำคัญ ความรู้สึก การจัดประเภทเอกสาร และภาษาในรูปแบบที่ใช้งานง่ายสำหรับแอปพลิเคชันหรือธุรกิจของคุณ

API การวิเคราะห์ความคิดเห็นจาก Amazon Comprehend ช่วยให้ธุรกิจกำหนดความคิดเห็นของเอกสารได้ คุณสามารถวัดความรู้สึกโดยรวมของเอกสารว่าเป็นเชิงบวก เชิงลบ เป็นกลาง หรือผสม อย่างไรก็ตาม เพื่อให้เข้าใจถึงความรู้สึกที่เกี่ยวข้องกับผลิตภัณฑ์หรือแบรนด์ที่เฉพาะเจาะจง ธุรกิจต่างๆ ต้องใช้วิธีแก้ปัญหา เช่น การแบ่งข้อความออกเป็นบล็อกเชิงตรรกะ และอนุมานความรู้สึกที่แสดงต่อผลิตภัณฑ์หนึ่งๆ

เพื่อช่วยให้กระบวนการนี้ง่ายขึ้น เริ่มตั้งแต่วันนี้ Amazon Comprehend ได้เปิดตัว ความรู้สึกเป้าหมาย คุณลักษณะสำหรับการวิเคราะห์ความรู้สึก สิ่งนี้ให้ความสามารถในการระบุกลุ่มของการกล่าวถึง (กลุ่มอ้างอิงร่วม) ที่สอดคล้องกับเอนทิตีหรือแอตทริบิวต์ในโลกแห่งความเป็นจริงเดียว จัดเตรียมความรู้สึกที่เกี่ยวข้องกับการกล่าวถึงแต่ละเอนทิตี และจัดให้มีการจำแนกประเภทของเอนทิตีในโลกแห่งความเป็นจริงตาม รายการที่กำหนดไว้ล่วงหน้าของหน่วยงาน.

โพสต์นี้ให้ภาพรวมเกี่ยวกับวิธีที่คุณสามารถเริ่มต้นใช้งานความคิดเห็นที่กำหนดเป้าหมายของ Amazon Comprehend สาธิตสิ่งที่คุณสามารถทำได้กับผลลัพธ์ และอธิบายกรณีการใช้งานความรู้สึกเป้าหมายทั่วไปสามกรณี

ภาพรวมโซลูชัน

ต่อไปนี้เป็นตัวอย่างของความเชื่อมั่นที่เป็นเป้าหมาย:

“สปา” เป็นเอนทิตีหลัก ระบุเป็นประเภท facilityและถูกกล่าวถึงอีก XNUMX ครั้ง เรียกว่าสรรพนาม "มัน" Targeted Sentiment API มอบความรู้สึกที่มีต่อแต่ละเอนทิตี ความรู้สึกในเชิงบวกคือสีเขียว เชิงลบคือสีแดง และความรู้สึกเป็นกลางคือสีน้ำเงิน นอกจากนี้เรายังสามารถกำหนดได้ว่าความรู้สึกที่มีต่อสปาเปลี่ยนแปลงไปตลอดทั้งประโยคอย่างไร เราเจาะลึกเข้าไปใน API ในภายหลังในโพสต์

ความสามารถนี้เปิดความสามารถที่แตกต่างกันหลายอย่างสำหรับธุรกิจ ทีมการตลาดสามารถติดตามความรู้สึกที่ได้รับความนิยมต่อแบรนด์ของพวกเขาในโซเชียลมีเดียเมื่อเวลาผ่านไป ผู้ค้าอีคอมเมิร์ซสามารถเข้าใจได้ว่าคุณลักษณะใดของผลิตภัณฑ์ของตนดีที่สุดและแย่ที่สุดที่ลูกค้าได้รับ ผู้ให้บริการคอลเซ็นเตอร์สามารถใช้คุณลักษณะนี้เพื่อขุดสำเนาสำหรับปัญหาการเลื่อนระดับและเพื่อตรวจสอบประสบการณ์ของลูกค้า ร้านอาหาร โรงแรม และองค์กรอุตสาหกรรมการบริการอื่นๆ สามารถใช้บริการเพื่อเปลี่ยนหมวดหมู่การให้คะแนนแบบกว้างๆ ให้เป็นคำอธิบายที่สมบูรณ์ของประสบการณ์ที่ดีและไม่ดีของลูกค้า

กรณีใช้ความรู้สึกเป้าหมาย

Targeted Sentiment API ใน Amazon Comprehend นำข้อมูลที่เป็นข้อความ เช่น โพสต์ในโซเชียลมีเดีย การตรวจสอบแอปพลิเคชัน และการถอดเสียงจากคอลเซ็นเตอร์เป็นอินพุต จากนั้นจะวิเคราะห์อินพุตโดยใช้พลังของอัลกอริธึม NLP เพื่อดึงความรู้สึกระดับเอนทิตีโดยอัตโนมัติ หนึ่ง เอกลักษณ์ เป็นข้อความอ้างอิงถึงชื่อเฉพาะของวัตถุในโลกแห่งความเป็นจริง เช่น คน สถานที่ และรายการทางการค้า นอกเหนือจากการอ้างอิงที่แม่นยำในการวัด เช่น วันที่และปริมาณ สำหรับรายการเอนทิตีที่รองรับทั้งหมด โปรดดูที่ หน่วยงานด้านความเชื่อมั่นที่เป็นเป้าหมาย.

เราใช้ Targeted Sentiment API เพื่อเปิดใช้งานกรณีการใช้งานต่อไปนี้:

• ธุรกิจสามารถระบุส่วนต่างๆ ของประสบการณ์ของพนักงาน/ลูกค้าที่น่าพึงพอใจและส่วนที่อาจได้รับการปรับปรุง
• ศูนย์ติดต่อและทีมบริการลูกค้าสามารถวิเคราะห์การถอดเสียงขณะโทรหรือบันทึกการสนทนาเพื่อระบุประสิทธิภาพการฝึกอบรมตัวแทน และรายละเอียดการสนทนา เช่น ปฏิกิริยาเฉพาะจากลูกค้าและวลีหรือคำที่ใช้ในการตอบกลับนั้นผิดกฎหมาย
• เจ้าของผลิตภัณฑ์และนักพัฒนา UI/UX สามารถระบุคุณลักษณะของผลิตภัณฑ์ที่ผู้ใช้ชอบและส่วนที่ต้องปรับปรุง สิ่งนี้สามารถสนับสนุนการอภิปรายแผนงานผลิตภัณฑ์และการจัดลำดับความสำคัญ

ไดอะแกรมต่อไปนี้แสดงกระบวนการแสดงความรู้สึกที่เป็นเป้าหมาย:

ในโพสต์นี้ เราสาธิตกระบวนการนี้โดยใช้ตัวอย่างบทวิจารณ์สามรายการต่อไปนี้:

• ตัวอย่างที่ 1: การทบทวนธุรกิจและผลิตภัณฑ์ – “ฉันชอบแจ็คเก็ตที่หนามาก ฉันสวมแจ็กเก็ตขนาดใหญ่เพราะฉันมีไหล่กว้างและนั่นคือสิ่งที่ฉันสั่งและมันพอดีกับที่นั่นอย่างสมบูรณ์แบบ ฉันเกือบจะรู้สึกเหมือนบอลลูนออกมาจากหน้าอกลง ฉันคิดว่าฉันจะใช้เชือกที่ด้านล่างของแจ็กเก็ตเพื่อช่วยปิดและนำมันเข้ามา แต่มันใช้ไม่ได้ผล แจ็คเก็ตรู้สึกเทอะทะมาก”
• ตัวอย่างที่ 2: การถอดความของศูนย์ติดต่อ “สวัสดี มีการบล็อกการฉ้อโกงในบัตรเครดิตของฉัน คุณช่วยลบมันให้ฉันได้ไหม บัตรเครดิตของฉันถูกแจ้งข้อหาฉ้อโกงอยู่เสมอ มันค่อนข้างน่ารำคาญทุกครั้งที่ฉันใช้มันฉันมักจะถูกปฏิเสธ ฉันจะยกเลิกบัตรถ้าเกิดเหตุการณ์นี้ขึ้นอีก”
• ตัวอย่างที่ 3: แบบสำรวจความคิดเห็นของนายจ้าง – “ฉันดีใจที่ผู้บริหารเพิ่มทักษะให้กับทีม แต่ผู้สอนไม่ได้เข้าใจพื้นฐานเป็นอย่างดี ฝ่ายบริหารควรทำ Due Diligence ให้มากขึ้นในระดับทักษะของทุกคนสำหรับเซสชันในอนาคต”

เตรียมข้อมูล

ในการเริ่มต้น ให้ดาวน์โหลดไฟล์ตัวอย่างที่มีข้อความตัวอย่างโดยใช้ปุ่ม อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) โดยรันคำสั่งต่อไปนี้:

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

สร้าง บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่ฝากข้อมูล (Amazon S3) คลายซิปโฟลเดอร์และอัปโหลดโฟลเดอร์ที่มีไฟล์ตัวอย่างสามไฟล์ ตรวจสอบให้แน่ใจว่าคุณใช้ภูมิภาคเดียวกันตลอด

ตอนนี้คุณสามารถเข้าถึงไฟล์ข้อความตัวอย่างสามไฟล์ในบัคเก็ต S3 ของคุณได้แล้ว

สร้างงานใน Amazon Comprehend

หลังจากที่คุณอัปโหลดไฟล์ไปยังบัคเก็ต S3 แล้ว ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Comprehend ให้เลือก งานวิเคราะห์ ในบานหน้าต่างนำทาง
   
2. Choose สร้างงาน.
   
3. สำหรับ Name, ป้อนชื่อสำหรับงานของคุณ
4. สำหรับ ประเภทการวิเคราะห์เลือก ความรู้สึกเป้าหมาย.
5. ภายใต้ ป้อนข้อมูล, ป้อนตำแหน่ง Amazon S3 ของ ts-ตัวอย่าง-data โฟลเดอร์
6. สำหรับ รูปแบบการป้อนข้อมูลเลือก หนึ่งเอกสารต่อไฟล์.

คุณสามารถเปลี่ยนการกำหนดค่านี้ได้หากข้อมูลของคุณอยู่ในไฟล์เดียวที่คั่นด้วยบรรทัด

7. ภายใต้ ตำแหน่งขาออกป้อนตำแหน่ง Amazon S3 ที่คุณต้องการบันทึกผลงาน
8. ภายใต้ สิทธิ์การเข้าถึงสำหรับ บทบาท IAM, เลือกที่มีอยู่ AWS Identity และการจัดการการเข้าถึง (IAM) หรือสร้างบทบาทที่มีสิทธิ์ในบัคเก็ต S3
9. ปล่อยให้ตัวเลือกอื่น ๆ เป็นค่าเริ่มต้นและเลือก สร้างงาน.
   

หลังจากที่คุณเริ่มงาน คุณสามารถตรวจสอบรายละเอียดงานของคุณได้ รันไทม์งานทั้งหมดขึ้นอยู่กับขนาดของข้อมูลที่ป้อนเข้า

10. เมื่องานเสร็จสมบูรณ์ภายใต้ เอาท์พุต, เลือกลิงค์ไปยังตำแหน่งข้อมูลเอาท์พุต
    

คุณจะพบไฟล์เอาต์พุตที่บีบอัดได้ที่นี่

11. ดาวน์โหลดและแตกไฟล์

ขณะนี้คุณสามารถตรวจสอบไฟล์เอาต์พุตสำหรับข้อความตัวอย่างแต่ละรายการได้ เปิดไฟล์ในโปรแกรมแก้ไขข้อความที่คุณต้องการเพื่อตรวจสอบโครงสร้างการตอบกลับ API เราจะอธิบายเรื่องนี้โดยละเอียดในหัวข้อถัดไป

โครงสร้างการตอบสนอง API

Targeted Sentiment API เป็นวิธีง่ายๆ ในการใช้ผลลัพธ์ของงานของคุณ ให้การจัดกลุ่มเชิงตรรกะของเอนทิตี (กลุ่มเอนทิตี) ที่ตรวจพบ พร้อมกับความคิดเห็นสำหรับแต่ละเอนทิตี ต่อไปนี้เป็นคำจำกัดความบางส่วนของฟิลด์ที่อยู่ในการตอบสนอง:

• หน่วยงาน – ส่วนสำคัญของเอกสาร ตัวอย่างเช่น, Person, Place, Date, Food,หรือ Taste.
• กล่าวถึง – การอ้างอิงหรือกล่าวถึงนิติบุคคลในเอกสาร สิ่งเหล่านี้อาจเป็นคำสรรพนามหรือคำนามทั่วไป เช่น “มัน” “เขา” “หนังสือ” เป็นต้น สิ่งเหล่านี้ถูกจัดเรียงตามตำแหน่ง (ออฟเซ็ต) ในเอกสาร
• ดัชนีการกล่าวถึงเชิงพรรณนา – ดัชนีใน Mentions ที่ให้ภาพที่ดีที่สุดของกลุ่มเอนทิตี ตัวอย่างเช่น “ABC Hotel” แทนที่จะเป็น “hotel,” “it” หรือคำนามทั่วไปอื่นๆ ที่กล่าวถึง
• คะแนนกลุ่ม – ความเชื่อมั่นว่าเอนทิตีทั้งหมดที่กล่าวถึงในกลุ่มนั้นเกี่ยวข้องกับเอนทิตีเดียวกัน (เช่น “ฉัน” “ฉัน” และ “ตัวฉันเอง” ที่หมายถึงบุคคลหนึ่งคน)
• ข้อความ – ข้อความในเอกสารที่แสดงถึงนิติบุคคล
• ชนิดภาพเขียน – คำอธิบายของสิ่งที่เอนทิตีแสดงให้เห็น
• คะแนน – แบบจำลองความเชื่อมั่นว่านี่เป็นหน่วยงานที่เกี่ยวข้อง
• กล่าวถึงความรู้สึก – ความรู้สึกที่แท้จริงที่พบในการกล่าวถึง
• สภาพอารมณ์ – ค่าสตริงของ positive, neutral, negative,หรือ mixed.
• คะแนนความเชื่อมั่น – ความเชื่อมั่นของแบบจำลองสำหรับแต่ละความรู้สึกที่เป็นไปได้
• เริ่มต้นชดเชย – ออฟเซ็ตเป็นข้อความในเอกสารที่การกล่าวถึงเริ่มต้นขึ้น
• สิ้นสุดการชดเชย – ออฟเซ็ตในข้อความเอกสารที่กล่าวถึงสิ้นสุดลง

เพื่อแสดงสิ่งนี้ด้วยสายตา ลองใช้ผลลัพธ์ของกรณีการใช้งานที่สาม แบบสำรวจความคิดเห็นของนายจ้าง และเดินผ่านกลุ่มเอนทิตีที่เป็นตัวแทนของพนักงานที่ทำแบบสำรวจ การจัดการ และผู้สอนให้เสร็จสิ้น

อันดับแรก มาดูการกล่าวถึงทั้งหมดของกลุ่มเอนทิตีที่อ้างอิงร่วมที่เกี่ยวข้องกับ “ฉัน” (พนักงานที่เขียนคำตอบ) และตำแหน่งของการกล่าวถึงในข้อความ DescriptiveMentionIndex แสดงถึงดัชนีของเอนทิตีที่กล่าวถึงที่แสดงถึงกลุ่มเอนทิตีที่อ้างอิงร่วมกันได้ดีที่สุด (ในกรณีนี้ 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 } } } ] }

กลุ่มถัดไปของเอนทิตีมีการกล่าวถึงทั้งหมดของกลุ่มเอนทิตีที่อ้างอิงร่วมที่เกี่ยวข้องกับการจัดการ พร้อมกับตำแหน่งที่ตั้งในข้อความ DescriptiveMentionIndex แสดงถึงดัชนีของเอนทิตีที่กล่าวถึงที่แสดงถึงกลุ่มเอนทิตีที่อ้างอิงร่วมกันได้ดีที่สุด (ในกรณีนี้ management). สิ่งที่ควรสังเกตในตัวอย่างนี้คือการเปลี่ยนความรู้สึกที่มีต่อผู้บริหาร คุณสามารถใช้ข้อมูลนี้เพื่ออนุมานว่าการกระทำของฝ่ายบริหารส่วนใดที่มองว่าเป็นแง่บวก และส่วนใดที่มองว่าเป็นแง่ลบ ดังนั้นจึงสามารถปรับปรุงได้

{ "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 } } } ] }

สรุป ให้สังเกตการกล่าวถึงผู้สอนและสถานที่ในข้อความทั้งหมด DescriptiveMentionIndex แสดงถึงดัชนีของเอนทิตีที่กล่าวถึงที่แสดงถึงกลุ่มเอนทิตีที่อ้างอิงร่วมกันได้ดีที่สุด (ในกรณีนี้ 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 } } } ] }

สถาปัตยกรรมอ้างอิง

คุณสามารถใช้อารมณ์เป้าหมายกับสถานการณ์ต่างๆ และใช้กรณีต่างๆ เพื่อขับเคลื่อนมูลค่าทางธุรกิจได้ เช่น

• กำหนดประสิทธิภาพของแคมเปญการตลาดและการเปิดตัวคุณลักษณะโดยการตรวจจับเอนทิตีและการกล่าวถึงที่มีการตอบรับเชิงบวกหรือเชิงลบมากที่สุด
• ผลลัพธ์ของแบบสอบถามเพื่อกำหนดว่าเอนทิตีและการกล่าวถึงใดที่เกี่ยวข้องกับเอนทิตีที่สอดคล้องกัน (เชิงบวก เชิงลบ หรือเป็นกลาง)
• วิเคราะห์ความรู้สึกตลอดวงจรชีวิตการโต้ตอบกับลูกค้าในศูนย์ติดต่อเพื่อแสดงประสิทธิภาพของกระบวนการหรือการเปลี่ยนแปลงการฝึกอบรม

ไดอะแกรมต่อไปนี้แสดงกระบวนการแบบ end-to-end:

สรุป

การทำความเข้าใจปฏิสัมพันธ์และผลตอบรับที่องค์กรได้รับจากลูกค้าเกี่ยวกับผลิตภัณฑ์และบริการยังคงมีความสำคัญต่อการพัฒนาผลิตภัณฑ์และประสบการณ์ของลูกค้าให้ดีขึ้น ด้วยเหตุนี้ จึงจำเป็นต้องมีรายละเอียดที่ละเอียดยิ่งขึ้นเพื่อสรุปผลลัพธ์ที่ดีกว่า

ในโพสต์นี้ เราได้ให้ตัวอย่างบางส่วนว่าการใช้รายละเอียดปลีกย่อยเหล่านี้สามารถช่วยองค์กรปรับปรุงผลิตภัณฑ์ ประสบการณ์ของลูกค้า และการฝึกอบรมได้อย่างไร ในขณะเดียวกันก็สร้างแรงจูงใจและตรวจสอบคุณลักษณะเชิงบวก มีหลายกรณีการใช้งานในอุตสาหกรรมต่างๆ ที่คุณสามารถทดลองและเพิ่มมูลค่าจากความเชื่อมั่นที่เป็นเป้าหมายได้

เราขอแนะนำให้คุณลองใช้คุณลักษณะใหม่นี้กับกรณีการใช้งานของคุณ สำหรับข้อมูลเพิ่มเติมและเริ่มต้นใช้งาน โปรดดูที่ ความรู้สึกเป้าหมาย.

เกี่ยวกับผู้เขียน

ราชปฏัก เป็นสถาปนิกโซลูชันและที่ปรึกษาด้านเทคนิคสำหรับลูกค้า Fortune 50 และ FSI ขนาดกลาง (การธนาคาร ประกันภัย ตลาดทุน) ทั่วแคนาดาและสหรัฐอเมริกา Raj เชี่ยวชาญด้านแมชชีนเลิร์นนิงด้วยแอปพลิเคชันในการดึงเอกสาร การแปลงศูนย์การติดต่อ และคอมพิวเตอร์วิทัศน์

ซันจีฟ พูลาปากา เป็นสถาปนิกโซลูชันอาวุโสในทีม US Fed Civilian SA ที่ Amazon Web Services (AWS) เขาทำงานอย่างใกล้ชิดกับลูกค้าในการสร้างและออกแบบโซลูชันที่มีความสำคัญต่อภารกิจ Sanjeev มีประสบการณ์อย่างกว้างขวางในการเป็นผู้นำด้านการออกแบบสถาปัตยกรรมและการนำโซลูชันเทคโนโลยีที่มีผลกระทบสูงมาใช้งาน ซึ่งตอบสนองความต้องการทางธุรกิจที่หลากหลายในหลายภาคส่วน รวมทั้งการพาณิชย์ รัฐบาลกลาง รัฐ และรัฐบาลท้องถิ่น เขาสำเร็จการศึกษาระดับปริญญาตรีด้านวิศวกรรมศาสตร์จากสถาบันเทคโนโลยีแห่งอินเดีย และปริญญาโทบริหารธุรกิจจากมหาวิทยาลัยนอเทรอดาม

• คอยน์สมาร์ท การแลกเปลี่ยน Bitcoin และ Crypto ที่ดีที่สุดในยุโรป
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าฟรี
• คริปโตฮอว์ก เรดาร์ Altcoin ทดลองฟรี.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/