使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

使用 Amazon Comprehend Targeted Sentiment 提取文本中的精细情绪

时间戳记：9年2022月4日下午51:XNUMX

亚马逊领悟 是一种自然语言处理 (NLP) 服务，它使用机器学习 (ML) 从文本中发现见解。 作为一项完全托管的服务，Amazon Comprehend 不需要 ML 专业知识，并且可以扩展到大量数据。 Amazon Comprehend 提供了几种不同的 APIs 轻松地将 NLP 集成到您的应用程序中。 您可以简单地调用应用程序中的 API 并提供源文档或文本的位置。 API 以易于使用的格式为您的应用程序或业务输出实体、关键短语、情绪、文档分类和语言。

Amazon Comprehend 提供的情绪分析 API 可帮助企业确定文档的情绪。 您可以将文档的整体情绪评估为正面、负面、中性或混合。 然而，为了更细致地了解与特定产品或品牌相关的情绪，企业不得不采用变通方法，例如将文本分块成逻辑块并推断对特定产品表达的情绪。

为了帮助简化此流程，从今天开始，Amazon Comprehend 将推出 有针对性的情绪 情感分析功能。 这提供了识别与单个真实世界实体或属性相对应的提及组（共同参考组）的能力，提供与每个实体提及相关联的情绪，并提供基于真实世界实体的分类 预先确定的实体清单.

这篇文章概述了您如何开始使用 Amazon Comprehend 目标情绪，展示了您可以对输出执行哪些操作，并介绍了三个常见的目标情绪用例。

解决方案概述

以下是目标情绪的示例：
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

“Spa”是主要实体，标识为类型 facility，并且被提及两次，称为代词“它”。 Targeted Sentiment API 提供对每个实体的情绪。 积极情绪是绿色，消极情绪是红色，中性情绪是蓝色。 我们还可以确定整个句子中对 spa 的情绪如何变化。 我们稍后会深入探讨 API。

这种能力为企业开辟了几种不同的能力。 随着时间的推移，营销团队可以在社交媒体上跟踪对其品牌的流行情绪。 电子商务商家可以了解其产品的哪些特定属性最受客户欢迎和最差。 呼叫中心操作员可以使用该功能来挖掘成绩单以解决升级问题并监控客户体验。 餐馆、酒店和其他酒店业组织可以使用该服务将广泛的评级类别转化为对客户体验好坏的丰富描述。

有针对性的情绪用例

Amazon Comprehend 中的 Targeted Sentiment API 将社交媒体帖子、应用程序评论和呼叫中心转录等文本数据作为输入。 然后它使用 NLP 算法的强大功能分析输入以自动提取实体级情感。 一个 实体 是对真实世界对象的唯一名称的文本引用，例如人、地点和商业物品，以及对日期和数量等度量的精确引用。 有关受支持实体的完整列表，请参阅 目标情感实体.

我们使用 Targeted Sentiment API 来启用以下用例：

  • 企业可以识别员工/客户体验中令人愉快的部分和可以改进的部分。
  • 联络中心和客户服务团队可以分析待命转录或聊天日志，以识别座席培训的有效性，以及对话细节，例如来自客户的特定反应以及用于非法响应的短语或单词。
  • 产品所有者和 UI/UX 开发人员可以识别用户喜欢的产品功能和需要改进的部分。 这可以支持产品路线图讨论和优先级。

下图说明了目标情绪过程：
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

在这篇文章中，我们使用以下三个示例评论来演示此过程：

  • 示例 1：业务和产品审查 – “我真的很喜欢这件夹克有多厚。 我穿一件大夹克，因为我的肩膀很宽，这就是我订购的，它非常适合那里。 我几乎觉得它从胸部向下膨胀。 我想我会用夹克底部的绳子来帮助关闭它并把它带进去，但那些不起作用。 这件夹克感觉很笨重。”
  • 示例 2：联络中心转录 – “你好，我的信用卡上有一个欺诈块，你能帮我删除它吗？ 我的信用卡不断被标记为欺诈。 挺烦人的，每次去用都被拒。 如果再次发生这种情况，我将取消这张卡。”
  • 样本 3：雇主反馈调查 – “我很高兴管理层正在提高团队的技能。 但是教练没有很好地复习基础知识。 管理层应该在未来的会议上对每个人的技能水平进行更多的尽职调查。”

准备数据

要开始使用，请使用以下命令下载包含示例文本的示例文件 AWS命令行界面 (AWS CLI) 通过运行以下命令：

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

创建 亚马逊简单存储服务 (Amazon S3) 存储桶，解压缩文件夹并上传包含三个示例文件的文件夹。 确保您始终使用相同的区域。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

您现在可以访问 S3 存储桶中的三个示例文本文件。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

在 Amazon Comprehend 中创建作业

将文件上传到 S3 存储桶后，请完成以下步骤：

  1. 在Amazon Comprehend控制台上，选择 分析职位 在导航窗格中。
    使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。
  2. 建立工作.
    使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。
  3. 针对 名字，输入工作名称。
  4. 针对 分析类型，选择 有针对性的情绪.
  5. 下 输入数据, 输入 Amazon S3 的位置 ts-样本数据 文件夹中。
  6. 针对 输入格式，选择 每个文件一个文档.

如果您的数据位于由行分隔的单个文件中，则可以更改此配置。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

  1. 下 输出位置，输入要保存作业输出的 Amazon S3 位置。
  2. 下 存取权限，为 IAM角色, 选择现有的 AWS身份和访问管理 (IAM) 角色或创建一个对 S3 存储桶具有权限的角色。
  3. 将其他选项保留为默认值并选择 建立工作.
    使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

开始工作后，您可以查看工作详细信息。 总作业运行时间取决于输入数据的大小。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

  1. 作业完成后，在 输出，选择输出数据位置的链接。
    使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

在这里您可以找到一个压缩的输出文件。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

  1. 下载并解压缩文件。

您现在可以检查每个示例文本的输出文件。 在您首选的文本编辑器中打开文件以查看 API 响应结构。 我们将在下一节中更详细地描述这一点。
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

API 响应结构

Targeted Sentiment API 提供了一种使用作业输出的简单方法。 它提供检测到的实体（实体组）的逻辑分组，以及每个实体的情绪。 以下是响应中字段的一些定义：

  • 实体 – 文件的重要部分。 例如， Person, Place, Date, Food或 Taste.
  • 提及 – 文档中实体的引用或提及。 这些可以是代词或常用名词，例如“it”、“him”、“book”等。 这些按文档中的位置（偏移）顺序组织。
  • 描述性提及索引 – 中的索引 Mentions 这给出了实体组的最佳描述。 例如，“ABC Hotel”而不是“hotel”、“it”或其他常用名词提及。
  • 组分数 – 组中提到的所有实体都与同一实体相关的信心（例如，“我”、“我”和“我自己”指的是一个人）。
  • 文本 – 文档中描述实体的文本
  • Type – 对实体所描绘内容的描述。
  • 评分 – 这是相关实体的模型置信度。
  • 提及情绪 – 为提及找到的实际情绪。
  • 情绪 – 的字符串值 positive, neutral, negative或 mixed.
  • 情绪评分 – 每种可能情绪的模型置信度。
  • 开始偏移 – 提及开始的文档文本的偏移量。
  • 结束偏移 – 提及结束的文档文本的偏移量。

为了直观地展示这一点，让我们获取第三个用例的输出，即雇主反馈调查，并遍历代表完成调查的员工、管理人员和讲师的实体组。

使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

让我们首先查看与“I”（撰写回复的员工）相关联的共同引用实体组的所有提及以及提及在文本中的位置。 DescriptiveMentionIndex 表示最能描述共同引用实体组的实体提及的索引（在这种情况下 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 } } } ] }

下一组实体提供了与管理相关的共同引用实体组的所有提及，以及它在文本中的位置。 DescriptiveMentionIndex 表示最能描述共同引用实体组的实体提及的索引（在这种情况下 management）。 在这个例子中要观察的是情绪转向管理。 您可以使用这些数据来推断管理层行为的哪些部分被认为是积极的，哪些部分被认为是消极的，因此可以加以改进。

{ "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 } } } ] }

最后，让我们观察一下所有提到的教师和文本中的位置。 DescriptiveMentionIndex 表示最能描述共同引用实体组的实体提及的索引（在这种情况下 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 } } } ] }

参考架构

您可以将有针对性的情绪应用于许多场景和用例以推动业务价值，例如：

  • 通过检测包含最正面或负面反馈的实体和提及来确定营销活动和功能发布的效果
  • 查询输出以确定哪些实体和提及与相应实体相关（正面、负面或中性）
  • 在联络中心分析整个客户交互生命周期的情绪，以证明流程或培训变更的有效性

下图描述了一个端到端的过程：
使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。

结论

了解组织从客户那里收到的关于其产品和服务的互动和反馈对于开发更好的产品和客户体验仍然至关重要。 因此，需要更详细的细节来推断更好的结果。

在这篇文章中，我们提供了一些示例，说明如何使用这些细粒度的细节可以帮助组织改进产品、客户体验和培训，同时激励和验证积极的属性。 跨行业有许多用例，您可以在其中进行试验并从目标情绪中获得价值。

我们鼓励您在您的用例中尝试此新功能。 如需更多信息并开始使用，请参阅 有针对性的情绪.

作者简介

使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。 拉吉帕塔克 是加拿大和美国财富 50 强和中型 FSI（银行、保险、资本市场）客户的解决方案架构师和技术顾问。 Raj 专注于机器学习，并在文档提取、联络中心转换和计算机视觉方面有应用。

使用 Amazon Comprehend Targeted Sentiment PlatoBlockchain Data Intelligence 提取文本中的精细情绪。 垂直搜索。 哎。桑吉夫·普拉帕卡 是 Amazon Web Services (AWS) 美国联邦民用航空局 (US Fed Civilian SA) 团队的高级解决方案架构师。 他与客户密切合作，共同构建和构建关键任务解决方案。 Sanjeev 在领导、构建和实施高影响力技术解决方案方面拥有丰富的经验，这些解决方案可满足包括商业、联邦、州和地方政府在内的多个部门的不同业务需求。 他拥有印度理工学院的工程学本科学位和圣母大学的 MBA 学位。

时间戳记：

更多来自 AWS机器学习