Amazon Comprehend Targeted Sentiment ile metindeki ayrıntılı duyguları ayıklayın

Amazon Kavramak metinden içgörüler keşfetmek için makine öğrenimini (ML) kullanan bir doğal dil işleme (NLP) hizmetidir. Tam olarak yönetilen bir hizmet olarak Amazon Comprehend, makine öğrenimi uzmanlığı gerektirmez ve büyük hacimli verilere ölçeklenebilir. Amazon Anlamak, birkaç farklı API'ler NLP'yi uygulamalarınıza kolayca entegre etmek için. Uygulamanızdaki API'leri kolayca arayabilir ve kaynak belgenin veya metnin konumunu sağlayabilirsiniz. API'ler, uygulamanız veya işletmeniz için varlıkları, anahtar sözcükleri, duyarlılığı, belge sınıflandırmasını ve dili kullanımı kolay bir biçimde verir.

Amazon Comprehend tarafından sağlanan duyarlılık analizi API'leri, işletmelerin bir belgenin duyarlılığını belirlemesine yardımcı olur. Bir belgenin genel duyarlılığını olumlu, olumsuz, tarafsız veya karışık olarak ölçebilirsiniz. Bununla birlikte, belirli ürünler veya markalarla ilişkili duyarlılığı anlamanın ayrıntı düzeyini elde etmek için işletmeler, metni mantıksal bloklara bölmek ve belirli bir ürüne yönelik ifade edilen duyguyu çıkarmak gibi geçici çözümler kullanmak zorunda kaldı.

Amazon Comprehend, bu süreci basitleştirmeye yardımcı olmak için bugünden itibaren Hedeflenen Duygu duygu analizi için özellik. Bu, tek bir gerçek dünya varlığına veya özniteliğine karşılık gelen söz gruplarını (ortak referans grupları) belirleme, her bir varlık sözüyle ilişkili duyguyu sağlama ve gerçek dünya varlığının bir temele dayalı olarak sınıflandırmasını sağlama yeteneği sağlar. önceden belirlenmiş varlık listesi.

Bu gönderi, Amazon Comprehend hedefli duyarlılığı kullanmaya nasıl başlayabileceğinize ilişkin bir genel bakış sağlar, çıktıyla neler yapabileceğinizi gösterir ve üç yaygın hedefli duyarlılık kullanım örneğini inceler.

Çözüme genel bakış

Aşağıda, hedeflenen duyarlılığa bir örnek verilmiştir:

"Spa", tür olarak tanımlanan birincil varlıktır facility, ve iki kez daha bahsedilir, "it" zamiri olarak anılır. Hedeflenen Duyarlılık API'si, her bir varlığa yönelik duyarlılığı sağlar. Olumlu duygu yeşil, olumsuz kırmızı ve nötr mavidir. Ayrıca cümle boyunca spaya yönelik duygunun nasıl değiştiğini de belirleyebiliriz. Yazının ilerleyen kısımlarında API'nin derinliklerine dalıyoruz.

Bu yetenek, işletmeler için birkaç farklı yetenek açar. Pazarlama ekipleri, zaman içinde sosyal medyada markalarına yönelik popüler duyguları izleyebilir. E-ticaret tüccarları, ürünlerinin hangi özelliklerinin müşteriler tarafından en iyi ve en kötü şekilde karşılandığını anlayabilir. Çağrı merkezi operatörleri, yükseltme sorunları için dökümleri çıkarmak ve müşteri deneyimini izlemek için bu özelliği kullanabilir. Restoranlar, oteller ve diğer konaklama sektörü kuruluşları, geniş derecelendirme kategorilerini iyi ve kötü müşteri deneyimlerinin zengin tanımlarına dönüştürmek için hizmeti kullanabilir.

Hedeflenen duyarlılık kullanım örnekleri

Amazon Comprehend'deki Targeted Sentiment API, sosyal medya gönderileri, uygulama incelemeleri ve çağrı merkezi dökümleri gibi metin verilerini girdi olarak alır. Ardından, varlık düzeyinde duyarlılığı otomatik olarak çıkarmak için NLP algoritmalarının gücünü kullanarak girişi analiz eder. Bir varlık tarihler ve miktarlar gibi ölçülere kesin referanslara ek olarak, insanlar, yerler ve ticari öğeler gibi gerçek dünyadaki bir nesnenin benzersiz adına yapılan metinsel bir referanstır. Desteklenen varlıkların tam listesi için bkz. Hedeflenen Duyarlılık Varlıkları.

Aşağıdaki kullanım durumlarını etkinleştirmek için Hedeflenen Duyarlılık API'sini kullanıyoruz:

• Bir işletme, çalışan/müşteri deneyiminin keyifli olan kısımlarını ve geliştirilebilecek kısımlarını belirleyebilir.
• İletişim merkezleri ve müşteri hizmetleri ekipleri, temsilci eğitiminin etkinliğini ve bir müşteriden gelen belirli tepkiler ve bu yanıtı yasa dışı olarak kullanılan ifadeler veya kelimeler gibi konuşma ayrıntılarını belirlemek için arama dökümlerini veya sohbet günlüklerini analiz edebilir.
• Ürün sahipleri ve UI/UX geliştiricileri, ürünlerinin kullanıcıların beğendiği özelliklerini ve iyileştirilmesi gereken kısımlarını belirleyebilir. Bu, ürün yol haritası tartışmalarını ve önceliklendirmelerini destekleyebilir.

Aşağıdaki şema, hedeflenen duyarlılık sürecini göstermektedir:

Bu gönderide, aşağıdaki üç örnek incelemeyi kullanarak bu süreci gösteriyoruz:

• Örnek 1: İş ve ürün incelemesi – “Ceketin ne kadar kalın olduğunu gerçekten seviyorum. Büyük bir ceket giyiyorum çünkü geniş omuzlarım var ve sipariş ettiğim şey bu ve oraya mükemmel uyuyor. Neredeyse göğsünden aşağısı balon gibi çıkıyormuş gibi hissediyorum. Kapatıp içeri sokmak için ceketin altındaki ipleri kullanacağımı düşündüm ama bunlar işe yaramadı. Ceket çok hantal geliyor.”
• Örnek 2: İletişim merkezi dökümü – “Merhaba, kredi kartımda dolandırıcılık blokajı var, benim için kaldırabilir misiniz? Kredi kartım dolandırıcılık için işaretlenmeye devam ediyor. Oldukça sinir bozucu, kullanmaya her gittiğimde reddedilmeye devam ediyorum. Bu bir daha olursa kartı iptal edeceğim.”
• Örnek 3: İşveren geri bildirim anketi – “Yönetimin ekibin becerilerini geliştirmesine sevindim. Ancak eğitmen temelleri iyi geçmedi. Yönetim, gelecekteki oturumlar için herkesin beceri düzeyinde daha fazla durum tespiti yapmalıdır.”

Verileri hazırlayın

Başlamak için, aşağıdakileri kullanarak örnek metni içeren örnek dosyaları indirin: AWS Komut Satırı Arayüzü (AWS CLI) aşağıdaki komutları çalıştırarak:

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

Bir oluşturma Amazon Basit Depolama Hizmeti (Amazon S3) kovalayın, klasörü açın ve üç örnek dosyayı içeren klasörü yükleyin. Boyunca aynı Bölgeyi kullandığınızdan emin olun.

Artık S3 klasörünüzdeki üç örnek metin dosyasına erişebilirsiniz.

Amazon Comprehend'de bir iş oluşturun

Dosyaları S3 klasörünüze yükledikten sonra aşağıdaki adımları tamamlayın:

1. Amazon Comprehend konsolunda şunu seçin: Analiz işleri Gezinti bölmesinde.
   
2. Klinik İş oluştur.
   
3. İçin Name, işiniz için bir isim girin.
4. İçin Analiz türü, seçmek Hedeflenen duygu.
5. Altında Veri girişi, Amazon S3 konumunu girin ts-örnek-veri klasör.
6. İçin Girdi biçimi, seçmek Dosya başına bir belge.

Verileriniz satırlarla ayrılmış tek bir dosyadaysa bu yapılandırmayı değiştirebilirsiniz.

7. Altında Çıktı konumu, iş çıktısını kaydetmek istediğiniz Amazon S3 konumunu girin.
8. Altında Erişim izinleri, Için IAM rolü, mevcut olanı seçin AWS Kimlik ve Erişim Yönetimi (IAM) rolü veya S3 paketi için izinlere sahip bir rol oluşturun.
9. Diğer seçenekleri varsayılan olarak bırakın ve seçin İş oluştur.
   

İşe başladıktan sonra iş detaylarınızı inceleyebilirsiniz. Toplam iş çalışma zamanı, giriş verilerinin boyutuna bağlıdır.

10. İş tamamlandığında, altında Çıktı, çıktı verisi konumuna giden bağlantıyı seçin.
    

Burada sıkıştırılmış bir çıktı dosyası bulabilirsiniz.

11. Dosyayı indirin ve sıkıştırın.

Artık her bir örnek metin için çıktı dosyalarını inceleyebilirsiniz. API yanıt yapısını incelemek için dosyaları tercih ettiğiniz metin düzenleyicide açın. Bunu bir sonraki bölümde daha ayrıntılı olarak açıklayacağız.

API yanıt yapısı

Hedeflenen Duyarlılık API'si, işlerinizin çıktısını tüketmek için basit bir yol sağlar. Her varlık için duygu ile birlikte algılanan varlıkların (varlık grupları) mantıksal bir gruplandırmasını sağlar. Yanıtta yer alan alanların bazı tanımları aşağıdadır:

• Varlıklar – Belgenin önemli kısımları. Örneğin, Person, Place, Date, Foodya da Taste.
• Söz – Belgedeki varlığın referansları veya sözleri. Bunlar zamir veya “o”, “o”, “kitap” gibi ortak isimler olabilir. Bunlar, belgede konuma (ofset) göre sıralanmıştır.
• AçıklayıcıMansiyonIndex – içindeki indeks Mentions varlık grubunun en iyi tasvirini verir. Örneğin, "otel", "o" yerine "ABC Hotel" veya diğer yaygın isimlerden bahseder.
• GrupSkoru – Grupta adı geçen tüm varlıkların aynı varlıkla ilgili olduğuna dair güven (“Ben”, “ben” ve “kendim” tek bir kişiye atıfta bulunur).
• Metin – Belgedeki varlığı gösteren metin
• Tip - Varlığın neyi tasvir ettiğine dair bir açıklama.
• Puan – Bunun ilgili bir varlık olduğuna dair güven modeli.
• MansiyonDuygu – Söz için bulunan gerçek duygu.
• Duygu – dize değeri positive, neutral, negativeya da mixed.
• DuyguSkoru – Her olası duygu için model güveni.
• BaşlaOfset – Sözün başladığı belge metnindeki mahsup.
• BitişOfseti – Sözün bittiği yerde belge metnine mahsup.

Bunu görsel olarak göstermek için, üçüncü kullanım örneğinin, işveren geri bildirim anketinin çıktısını alalım ve anketi tamamlayan çalışanı, yönetimi ve eğitmeni temsil eden varlık gruplarını gözden geçirelim.

İlk önce, “I” (yanıtı yazan çalışan) ile ilişkili ortak referans varlık grubunun tüm sözlerine ve sözün metindeki yerine bakalım. DescriptiveMentionIndex ortak referans varlık grubunu en iyi betimleyen varlığın söz konusu dizinlerini temsil eder (bu durumda 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 } } } ] }

Bir sonraki varlık grubu, metindeki konumuyla birlikte yönetimle ilişkili ortak referans varlık grubunun tüm sözlerini sağlar. DescriptiveMentionIndex ortak referans varlık grubunu en iyi betimleyen varlığın söz konusu dizinlerini temsil eder (bu durumda management). Bu örnekte gözlemlenmesi gereken bir şey, yönetime yönelik duygu değişimidir. Bu verileri, yönetimin eylemlerinin hangi bölümlerinin olumlu olarak algılandığını ve hangi bölümlerin olumsuz olarak algılandığını ve dolayısıyla iyileştirilebileceğini çıkarmak için kullanabilirsiniz.

{ "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 } } } ] }

Sonuç olarak, metindeki tüm eğitmen ve konum bahsini gözlemleyelim. DescriptiveMentionIndex ortak referans varlık grubunu en iyi betimleyen varlığın söz konusu dizinlerini temsil eder (bu durumda 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 } } } ] }

referans mimarisi

Hedeflenen duyarlılığı birçok senaryoya uygulayabilir ve aşağıdakiler gibi iş değerini artırmak için vakaları kullanabilirsiniz:

• En olumlu veya olumsuz geri bildirimi içeren varlıkları ve sözleri tespit ederek pazarlama kampanyalarının ve özellik lansmanlarının etkinliğini belirleyin
• Hangi varlıkların ve sözlerin karşılık gelen bir varlıkla (olumlu, olumsuz veya tarafsız) ilişkili olduğunu belirlemek için çıktıyı sorgulayın
• Süreç veya eğitim değişikliklerinin etkinliğini göstermek için iletişim merkezlerinde müşteri etkileşimi yaşam döngüsü boyunca duyarlılığı analiz edin

Aşağıdaki şema, uçtan uca bir süreci göstermektedir:

Sonuç

Kuruluşların müşterilerinden ürünleri ve hizmetleri hakkında aldıkları etkileşimleri ve geri bildirimleri anlamak, daha iyi ürünler ve müşteri deneyimleri geliştirmek için çok önemli olmaya devam ediyor. Bu nedenle, daha iyi sonuçlar çıkarmak için daha ayrıntılı ayrıntılar gerekir.

Bu gönderide, bu ayrıntılı ayrıntıları kullanmanın kuruluşların ürünleri, müşteri deneyimlerini ve eğitimi iyileştirmesine ve aynı zamanda olumlu özellikleri teşvik edip doğrulamasına nasıl yardımcı olabileceğine dair bazı örnekler sağladık. Hedeflenen duyarlılığı deneyebileceğiniz ve bundan değer elde edebileceğiniz endüstriler arasında birçok kullanım durumu vardır.

Kullanım senaryolarınızda bu yeni özelliği denemenizi öneririz. Daha fazla bilgi ve başlamak için bkz. Hedeflenen Duygu.

Yazarlar Hakkında

Raj Pathak Kanada ve Amerika Birleşik Devletleri'ndeki Fortune 50 ve Orta Ölçekli FSI (Bankacılık, Sigorta, Sermaye Piyasaları) müşterilerine Çözüm Mimarı ve Teknik danışmandır. Raj, Belge Çıkarma, İletişim Merkezi Dönüşümü ve Bilgisayarla Görme alanlarındaki uygulamalarla Makine Öğrenimi konusunda uzmanlaşmıştır.

Sanjeev Pulapaka Amazon Web Services (AWS) bünyesindeki ABD Fed Civilian SA ekibinde Kıdemli Çözüm Mimarıdır. Kritik misyon çözümlerinin inşası ve mimarisinde müşterilerle yakın bir şekilde çalışır. Sanjeev, ticari, federal, eyalet ve yerel yönetimler de dahil olmak üzere birden fazla sektörde çeşitli iş ihtiyaçlarını karşılayan yüksek etkili teknoloji çözümlerine liderlik etme, mimarileştirme ve uygulama konusunda kapsamlı deneyime sahiptir. Hindistan Teknoloji Enstitüsü'nden mühendislik lisans derecesine ve Notre Dame Üniversitesi'nden MBA derecesine sahiptir.

• Akıllı para. Avrupa'nın En İyi Bitcoin ve Kripto Borsası.
• Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. SERBEST ERİŞİM.
• KriptoHawk. Altcoin Radarı. Ücretsiz deneme.
• Kaynak: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/