Витягуйте детальні настрої в тексті за допомогою Amazon Comprehend Targeted Sentiment

«Амазонка» – це служба обробки природної мови (NLP), яка використовує машинне навчання (ML) для виявлення інформації з тексту. Як повністю керований сервіс, Amazon Comprehend не потребує досвіду ML і може масштабуватися до великих обсягів даних. Amazon Comprehend пропонує кілька різних Інтерфейси щоб легко інтегрувати NLP у ваші програми. Ви можете просто викликати API у своїй програмі та вказати розташування вихідного документа або тексту. API виводять сутності, ключові фрази, настрої, класифікацію документів і мову в зручному форматі для вашої програми або бізнесу.

API аналізу настроїв, надані Amazon Comprehend, допомагають компаніям визначити настрої документа. Ви можете оцінити загальне ставлення до документа як позитивне, негативне, нейтральне чи змішане. Однак, щоб отримати деталізацію розуміння настроїв, пов’язаних із конкретними продуктами чи брендами, компаніям довелося використовувати обхідні шляхи, як-от розділення тексту на логічні блоки та висновок про настрої, виражені щодо конкретного продукту.

Щоб спростити цей процес, починаючи з сьогоднішнього дня Amazon Comprehend запускає Цілеспрямований настрій функція для аналізу настроїв. Це надає можливість ідентифікувати групи згадувань (групи співвідношень), що відповідають одній реальній сутності чи атрибуту, надати відчуття, пов’язане з кожною згадкою сутності, і забезпечити класифікацію реальної сутності на основі заздалегідь визначений перелік суб'єктів.

У цьому дописі наведено огляд того, як ви можете розпочати роботу з цільовим настроєм Amazon Comprehend, продемонстровано, що ви можете робити з результатом, і описано три поширені випадки використання цільового настрою.

Огляд рішення

Нижче наведено приклад цілеспрямованого настрою:

«Спа» є основною сутністю, визначеною як тип facility, і згадується ще двічі, згадується як займенник «це». Targeted Sentiment API визначає ставлення до кожної сутності. Позитивний настрій позначається зеленим, негативний — червоним, а нейтральний — синім. Ми також можемо визначити, як змінюється ставлення до спа протягом усього речення. Далі в публікації ми зануримося глибше в API.

Ця можливість відкриває кілька різних можливостей для бізнесу. Маркетингові команди можуть відстежувати настрої людей щодо їхніх брендів у соціальних мережах з часом. Продавці електронної комерції можуть зрозуміти, які конкретні атрибути їхніх продуктів були найкраще, а які найгірше сприйняті клієнтами. Оператори кол-центру можуть використовувати цю функцію для пошуку розшифровок у разі проблем з ескалацією та моніторингу досвіду клієнтів. Ресторани, готелі та інші організації індустрії гостинності можуть використовувати цю послугу, щоб перетворити широкі категорії рейтингів на детальні описи хорошого та поганого досвіду клієнтів.

Випадки використання цільових настроїв

Targeted Sentiment API в Amazon Comprehend приймає текстові дані, такі як публікації в соціальних мережах, огляди програм і розшифровки колл-центру як вхідні дані. Потім він аналізує вхідні дані, використовуючи потужність алгоритмів NLP, щоб автоматично витягти настрої на рівні сутності. Ан суб'єкта це текстове посилання на унікальну назву об’єкта реального світу, наприклад людей, місць і комерційних товарів, на додаток до точних посилань на такі показники, як дати та кількості. Повний список підтримуваних об’єктів див Цільові настрої.

Ми використовуємо Targeted Sentiment API, щоб забезпечити такі випадки використання:

• Підприємство може визначити частини досвіду співробітників/клієнтів, які приносять задоволення, і частини, які можна покращити.
• Контакт-центри та команди обслуговування клієнтів можуть аналізувати транскрипції викликів або журнали чатів, щоб визначити ефективність навчання агентів, а також деталі розмови, як-от конкретні реакції клієнта та фрази чи слова, які були використані для протиправної відповіді.
• Власники продуктів і розробники UI/UX можуть визначити функції свого продукту, які подобаються користувачам, і частини, які потребують покращення. Це може підтримати обговорення дорожньої карти продукту та визначення пріоритетів.

Наступна діаграма ілюструє цільовий процес настрою:

У цій публікації ми демонструємо цей процес за допомогою наступних трьох зразків оглядів:

• Зразок 1: огляд бізнесу та продукту – Мені дуже подобається, яка товста куртка. Я ношу великий піджак, тому що в мене широкі плечі, і саме його я замовив, і він там ідеально підходить. Я майже відчуваю, що воно вилітає з грудей вниз. Я думав, що використаю зав’язки в нижній частині куртки, щоб закрити її та втягнути, але вони не працюють. Куртка здається дуже об’ємною».
• Зразок 2: Розшифровка контакт-центру – «Привіт, на моїй кредитній картці є блокування шахрайства, чи можете ви видалити це для мене. Мою кредитну картку постійно позначають як шахрайську. Це дуже дратує, щоразу, коли я користуюся ним, мені постійно відмовляють. Я збираюся скасувати картку, якщо це повториться знову».
• Зразок 3: Опитування відгуків роботодавців – Я радий, що керівництво підвищує кваліфікацію команди. Але інструктор погано вивчив основи. Керівництву слід більше перевіряти рівень навичок кожного для майбутніх сесій».

Підготуйте дані

Щоб розпочати, завантажте зразки файлів із прикладом тексту за допомогою Інтерфейс командного рядка AWS (AWS CLI), виконавши такі команди:

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

створити Служба простого зберігання Amazon (Amazon S3), розархівуйте папку та завантажте папку, що містить три зразки файлів. Переконайтеся, що ви використовуєте той самий регіон.

Тепер ви можете отримати доступ до трьох зразків текстових файлів у своєму сегменті S3.

Створіть роботу в Amazon Comprehend

Після завантаження файлів у сегмент S3 виконайте такі дії:

1. На консолі Amazon Comprehend виберіть Роботи з аналізу у навігаційній панелі.
   
2. Вибирати Створити роботу.
   
3. для ІМ'Я, введіть назву своєї роботи.
4. для Тип аналізувиберіть Цілеспрямовані настрої.
5. під Вхідні дані, введіть розташування Amazon S3 ts-зразок-даних папку.
6. для Формат введеннявиберіть Один документ на файл.

Ви можете змінити цю конфігурацію, якщо ваші дані містяться в одному файлі, розділеному лініями.

7. під Місце виведення, введіть розташування Amazon S3, де ви хочете зберегти результат завдання.
8. під Дозволи доступу, Для Роль IAM, виберіть існуючий Управління ідентифікацією та доступом AWS (IAM) або створіть роль, яка має дозволи на сегмент S3.
9. Залиште інші параметри за замовчуванням і виберіть Створити роботу.
   

Після того, як ви почнете роботу, ви можете переглянути її деталі. Загальний час виконання завдання залежить від розміру вхідних даних.

10. Коли робота закінчена, под Вихід, виберіть посилання на вихідні дані.
    

Тут ви можете знайти стиснутий вихідний файл.

11. Завантажте та розпакуйте файл.

Тепер ви можете перевірити вихідні файли для кожного зразка тексту. Відкрийте файли в текстовому редакторі, якому ви віддаєте перевагу, щоб переглянути структуру відповіді API. Ми опишемо це більш детально в наступному розділі.

Структура відповіді API

API Targeted Sentiment надає простий спосіб використання результатів ваших завдань. Він забезпечує логічне групування виявлених сутностей (груп сутностей), а також настрої для кожної сутності. Нижче наведено деякі визначення полів, які містяться у відповіді:

• Суб'єкти – Значні частини документа. Наприклад, Person, Place, Date, Foodабо Taste.
• Згадки – Посилання або згадки об’єкта в документі. Це можуть бути займенники або загальні іменники, такі як «воно», «він», «книга» тощо. Вони організовані в порядку розташування (зміщення) в документі.
• DescriptiveMentionIndex – Індекс в Mentions що дає найкраще зображення групи об’єктів. Наприклад, «ABC Hotel» замість «готель», «воно» або інші звичайні згадки.
• GroupScore – Впевненість у тому, що всі сутності, згадані в групі, пов’язані з однією сутністю (наприклад, «я», «я» та «я», що стосується однієї особи).
• текст – Текст у документі, який зображує сутність
• тип – Опис того, що зображує сутність.
• Рахунок – Зразкова впевненість у тому, що це відповідна сутність.
• MentionSentiment – Фактичний настрій, знайдений для згадки.
• Настрій – Рядкове значення positive, neutral, negativeабо mixed.
• SentimentScore – Зразкова впевненість для кожного можливого настрою.
• BeginOffset – Зміщення в тексті документа, де починається згадка.
• EndOffset – Зміщення в тексті документа, де закінчується згадка.

Щоб продемонструвати це наочно, давайте візьмемо результат третього випадку використання, опитування відгуків роботодавця, і пройдемося по групах сутностей, які представляють працівника, який заповнює опитування, керівництво та інструктора.

Давайте спочатку розглянемо всі згадки групи сутностей співпосилання, пов’язаної з «Я» (співробітник, який пише відповідь), і місце згадування в тексті. DescriptiveMentionIndex представляє індекси згадок об’єктів, які найкраще відображають групу об’єктів спільного посилання (у цьому випадку 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 } } } ] }

Наступна група сутностей надає всі згадки про групу сутностей співпосилання, пов’язану з керуванням, а також її розташування в тексті. DescriptiveMentionIndex представляє індекси згадок об’єктів, які найкраще відображають групу об’єктів спільного посилання (у цьому випадку management). У цьому прикладі слід спостерігати зміну настроїв у бік менеджменту. Ви можете використовувати ці дані, щоб зробити висновок, які частини дій керівництва сприймалися як позитивні, а які – як негативні, і тому їх можна покращити.

{ "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 } } } ] }

На завершення звернемо увагу на всі згадки викладача та місце розташування в тексті. DescriptiveMentionIndex представляє індекси згадок об’єктів, які найкраще відображають групу об’єктів спільного посилання (у цьому випадку 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 } } } ] }

Еталонна архітектура

Ви можете застосувати цільові настрої до багатьох сценаріїв і випадків використання, щоб збільшити цінність бізнесу, наприклад:

• Визначайте ефективність маркетингових кампаній і запусків функцій, виявляючи сутності та згадки, які містять найбільше позитивних чи негативних відгуків
• Вихід запиту, щоб визначити, які сутності та згадки стосуються відповідної сутності (позитивної, негативної чи нейтральної)
• Аналіз настроїв протягом життєвого циклу взаємодії з клієнтами в контакт-центрах, щоб продемонструвати ефективність процесів або змін у навчанні

На наступній діаграмі зображено наскрізний процес:

Висновок

Розуміння взаємодії та відгуків, які організації отримують від клієнтів щодо їхніх продуктів і послуг, залишається вирішальним для розробки кращих продуктів і взаємодії з клієнтами. Таким чином, для отримання кращих результатів потрібні більш детальні деталі.

У цій публікації ми навели кілька прикладів того, як використання цих детальних деталей може допомогти організаціям покращити продукти, клієнтський досвід і навчання, а також стимулювати та підтверджувати позитивні якості. Існує багато варіантів використання в різних галузях, де можна експериментувати з цільовими настроями та отримувати від них користь.

Ми рекомендуємо вам спробувати цю нову функцію у ваших випадках використання. Для отримання додаткової інформації та для початку зверніться до Цілеспрямований настрій.

Про авторів

Радж Патхак є архітектором рішень та технічним радником для клієнтів із рейтингу Fortune 50 та середніх FSI (банківська справа, страхування, ринки капіталу) у Канаді та Сполучених Штатах. Радж спеціалізується на машинному навчанні з додатками для вилучення документів, трансформації контакт-центру та комп'ютерного зору.

Санджив Пулапака є старшим архітектором рішень у цивільній команді ФРС США в Amazon Web Services (AWS). Він тісно співпрацює з клієнтами у розробці та розробці критично важливих рішень. Санджив має великий досвід керівництва, проектування та впровадження високоефективних технологічних рішень, які задовольняють різноманітні потреби бізнесу в багатьох секторах, включаючи комерційні, федеральні, державні та місцеві органи влади. Він отримав ступінь бакалавра з інженерії в Індійському технологічному інституті та ступінь магістра ділового адміністрування в Університеті Нотр-Дам.

• Coinsmart. Найкраща в Європі біржа біткойн та криптовалют.
• Платоблокчейн. Web3 Metaverse Intelligence. Розширені знання. БЕЗКОШТОВНИЙ ДОСТУП.
• CryptoHawk. Альткойн Радар. Безкоштовне випробування.
• Джерело: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/