Amazon hiểu là một dịch vụ xử lý ngôn ngữ tự nhiên (NLP) sử dụng máy học (ML) để khám phá thông tin chi tiết từ văn bản. Là một dịch vụ được quản lý hoàn toàn, Amazon Comprehend không yêu cầu chuyên môn về ML và có thể mở rộng quy mô đến khối lượng lớn dữ liệu. Amazon toàn diện cung cấp một số API để dễ dàng tích hợp NLP vào các ứng dụng của bạn. Bạn có thể chỉ cần gọi các API trong ứng dụng của mình và cung cấp vị trí của văn bản hoặc tài liệu nguồn. Các API xuất các thực thể, cụm từ khóa, tình cảm, phân loại tài liệu và ngôn ngữ ở định dạng dễ sử dụng cho ứng dụng hoặc doanh nghiệp của bạn.
Các API phân tích tình cảm do Amazon Complusive cung cấp giúp các doanh nghiệp xác định tình cảm của một tài liệu. Bạn có thể đánh giá tình cảm tổng thể của một tài liệu là tích cực, tiêu cực, trung tính hoặc hỗn hợp. Tuy nhiên, để hiểu chi tiết về tình cảm gắn với các sản phẩm hoặc thương hiệu cụ thể, các doanh nghiệp đã phải sử dụng các cách giải quyết như phân chia văn bản thành các khối logic và suy ra tình cảm được thể hiện đối với một sản phẩm cụ thể.
Để giúp đơn giản hóa quy trình này, bắt đầu từ hôm nay, Amazon Comprehend sẽ khởi chạy Tình cảm được Nhắm mục tiêu tính năng phân tích tình cảm. Điều này cung cấp khả năng xác định các nhóm đề cập (nhóm đồng tham chiếu) tương ứng với một thực thể hoặc thuộc tính trong thế giới thực, cung cấp cảm nhận liên quan đến mỗi đề cập đến thực thể và cung cấp phân loại thực thể trong thế giới thực dựa trên danh sách các thực thể được xác định trước.
Bài đăng này cung cấp tổng quan về cách bạn có thể bắt đầu với Amazon Toàn diện tình cảm được nhắm mục tiêu, thể hiện những gì bạn có thể làm với đầu ra và đi qua ba trường hợp sử dụng tình cảm được nhắm mục tiêu phổ biến.
Tổng quan về giải pháp
Sau đây là một ví dụ về tình cảm được nhắm mục tiêu:
“Spa” là thực thể chính, được xác định là loại facility, và được nhắc đến hai lần nữa, được gọi là đại từ “nó”. API Tình cảm được nhắm mục tiêu cung cấp tình cảm đối với từng thực thể. Cảm xúc tích cực là màu xanh lá cây, tiêu cực là màu đỏ và trung tính là màu xanh lam. Chúng ta cũng có thể xác định tình cảm đối với spa thay đổi như thế nào trong suốt câu. Chúng ta sẽ tìm hiểu sâu hơn về API ở phần sau của bài đăng.
Khả năng này mở ra một số khả năng khác nhau cho các doanh nghiệp. Các nhóm tiếp thị có thể theo dõi tình cảm phổ biến đối với thương hiệu của họ trên phương tiện truyền thông xã hội theo thời gian. Người bán thương mại điện tử có thể hiểu thuộc tính cụ thể nào của sản phẩm của họ được khách hàng đón nhận tốt nhất và kém nhất. Các nhà điều hành trung tâm cuộc gọi có thể sử dụng tính năng này để khai thác bảng điểm cho các vấn đề leo thang và theo dõi trải nghiệm của khách hàng. Các nhà hàng, khách sạn và các tổ chức khác trong ngành khách sạn có thể sử dụng dịch vụ này để chuyển các danh mục xếp hạng rộng thành mô tả phong phú về trải nghiệm khách hàng tốt và xấu.
Các trường hợp sử dụng tình cảm được nhắm mục tiêu
API Nhắm mục tiêu trong Amazon Complusive lấy dữ liệu văn bản, chẳng hạn như các bài đăng trên mạng xã hội, bài đánh giá ứng dụng và bản ghi của trung tâm cuộc gọi làm đầu vào. Sau đó, nó phân tích đầu vào bằng cách sử dụng sức mạnh của các thuật toán NLP để trích xuất tình cảm cấp thực thể một cách tự động. Một thực thể là một tham chiếu văn bản đến tên riêng của một đối tượng trong thế giới thực, chẳng hạn như con người, địa điểm và các mặt hàng thương mại, ngoài các tham chiếu chính xác đến các số đo như ngày tháng và số lượng. Để có danh sách đầy đủ các thực thể được hỗ trợ, hãy tham khảo Các Thực thể Tình cảm Nhắm mục tiêu.
Chúng tôi sử dụng API Ý tưởng được nhắm mục tiêu để cho phép các trường hợp sử dụng sau:
- Doanh nghiệp có thể xác định các phần của trải nghiệm nhân viên / khách hàng là thú vị và các phần có thể được cải thiện.
- Các trung tâm liên hệ và nhóm dịch vụ khách hàng có thể phân tích bản ghi cuộc gọi hoặc nhật ký trò chuyện để xác định hiệu quả đào tạo nhân viên và các chi tiết hội thoại, chẳng hạn như phản ứng cụ thể từ khách hàng và các cụm từ hoặc từ được sử dụng để vi phạm phản hồi đó.
- Chủ sở hữu sản phẩm và nhà phát triển UI / UX có thể xác định các tính năng của sản phẩm của họ mà người dùng yêu thích và các bộ phận yêu cầu cải tiến. Điều này có thể hỗ trợ các cuộc thảo luận và ưu tiên về lộ trình sản phẩm.
Sơ đồ sau minh họa quy trình tình cảm được nhắm mục tiêu:
Trong bài đăng này, chúng tôi chứng minh quá trình này bằng cách sử dụng ba bài đánh giá mẫu sau:
- Mẫu 1: Đánh giá sản phẩm và kinh doanh - “Tôi thực sự thích chiếc áo khoác dày như thế nào. Tôi mặc một chiếc áo khoác lớn vì tôi có bờ vai rộng và đó là những gì tôi đã đặt hàng và nó hoàn toàn phù hợp ở đó. Tôi gần như cảm thấy nó như bong bóng bay từ ngực xuống. Tôi đã nghĩ rằng tôi sẽ sử dụng dây ở dưới cùng của áo khoác để giúp đóng nó và mang nó vào, nhưng chúng không hiệu quả. Chiếc áo khoác có cảm giác rất cồng kềnh ”.
- Mẫu 2: Bản ghi của trung tâm liên hệ - “Xin chào, có một khối gian lận trong thẻ tín dụng của tôi, bạn có thể gỡ bỏ nó cho tôi. Thẻ tín dụng của tôi liên tục bị gắn cờ vì gian lận. Nó khá là khó chịu, mỗi khi tôi sử dụng nó, tôi liên tục bị từ chối. Tôi sẽ hủy thẻ nếu điều này xảy ra một lần nữa. ”
- Mẫu 3: Khảo sát phản hồi của nhà tuyển dụng - “Tôi rất vui vì ban lãnh đạo đang nâng cao kỹ năng cho đội. Nhưng người hướng dẫn đã không đi qua những điều cơ bản. Ban quản lý nên xem xét kỹ lưỡng hơn về trình độ kỹ năng của mọi người cho các phiên họp trong tương lai. ”
Chuẩn bị dữ liệu
Để bắt đầu, hãy tải xuống các tệp mẫu có chứa văn bản mẫu bằng cách sử dụng Giao diện dòng lệnh AWS (AWS CLI) bằng cách chạy các lệnh sau:
tạo một Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), giải nén thư mục và tải lên thư mục chứa ba tệp mẫu. Đảm bảo rằng bạn đang sử dụng cùng một Vùng trong suốt.
Giờ đây, bạn có thể truy cập ba tệp văn bản mẫu trong nhóm S3 của mình.
Tạo một công việc trong Amazon Toàn diện
Sau khi bạn tải tệp lên bộ chứa S3 của mình, hãy hoàn thành các bước sau:
- Trên bảng điều khiển Hiểu toàn diện của Amazon, chọn Công việc phân tích trong khung điều hướng.
- Chọn Tạo việc làm.
- Trong Họ tên, hãy nhập tên cho công việc của bạn.
- Trong Loại phân tích, chọn Mục tiêu tình cảm.
- Theo Dữ liệu đầu vào, nhập vị trí Amazon S3 của ts-mẫu-dữ liệu thư mục.
- Trong định dạng đầu vào, chọn Một tài liệu cho mỗi tệp.
Bạn có thể thay đổi cấu hình này nếu dữ liệu của bạn nằm trong một tệp duy nhất được phân cách bằng các dòng.
- Theo Vị trí đầu ra, hãy nhập vị trí Amazon S3 mà bạn muốn lưu kết quả công việc.
- Theo Quyền truy cập, Cho Vai trò IAM, chọn một hiện có Quản lý truy cập và nhận dạng AWS (IAM) hoặc tạo một vai trò có quyền đối với nhóm S3.
- Để các tùy chọn khác làm mặc định và chọn Tạo việc làm.
Sau khi bạn bắt đầu công việc, bạn có thể xem lại chi tiết công việc của mình. Tổng thời gian chạy công việc phụ thuộc vào kích thước của dữ liệu đầu vào.
- Khi công việc hoàn thành, dưới Đầu ra, chọn liên kết đến vị trí dữ liệu đầu ra.
Tại đây bạn có thể tìm thấy một tệp đầu ra nén.
- Tải xuống và giải nén tệp.
Bây giờ bạn có thể kiểm tra các tệp đầu ra cho mỗi văn bản mẫu. Mở tệp trong trình soạn thảo văn bản ưa thích của bạn để xem lại cấu trúc phản hồi API. Chúng tôi mô tả điều này chi tiết hơn trong phần tiếp theo.
Cấu trúc phản hồi API
API Ý tưởng Nhắm mục tiêu cung cấp một cách đơn giản để sử dụng kết quả đầu ra của các công việc của bạn. Nó cung cấp một nhóm hợp lý của các thực thể (nhóm thực thể) được phát hiện, cùng với tình cảm cho mỗi thực thể. Sau đây là một số định nghĩa về các trường trong phản hồi:
- Các thực thể - Các phần quan trọng của tài liệu. Ví dụ,
Person,Place,Date,Food, hoặc làTaste. - Đề cập đến - Các tham chiếu hoặc đề cập đến thực thể trong tài liệu. Đây có thể là đại từ hoặc danh từ chung như “nó”, “anh ấy”, “cuốn sách”, v.v. Chúng được sắp xếp theo thứ tự theo vị trí (bù đắp) trong tài liệu.
- Miêu tảMentionIndex - Chỉ số trong
Mentionsmang lại mô tả tốt nhất về nhóm thực thể. Ví dụ: “Khách sạn ABC” thay vì “khách sạn”, “nó” hoặc các danh từ thông dụng khác được đề cập. - Điểm nhóm - Sự tự tin rằng tất cả các thực thể được đề cập trong nhóm có liên quan đến cùng một thực thể (chẳng hạn như “tôi”, “tôi” và “bản thân tôi” đề cập đến một người).
- bản văn - Văn bản trong tài liệu mô tả thực thể
- Kiểu - Mô tả về những gì thực thể mô tả.
- Điểm số - Mô hình tự tin rằng đây là một thực thể có liên quan.
- Đề cập - Cảm xúc thực tế được tìm thấy cho đề cập.
- Tâm lý thị trường - Giá trị chuỗi của
positive,neutral,negative, hoặc làmixed. - Tình cảmScore - Sự tự tin của người mẫu cho từng tình cảm có thể có.
- Bắt đầuBù đắp - Phần bù vào văn bản tài liệu nơi bắt đầu đề cập.
- Kết thúc Bù đắp - Phần bù vào văn bản tài liệu nơi đề cập kết thúc.
Để chứng minh điều này một cách trực quan, chúng ta hãy lấy đầu ra của trường hợp sử dụng thứ ba, khảo sát phản hồi của nhà tuyển dụng và đi qua các nhóm thực thể đại diện cho nhân viên hoàn thành khảo sát, quản lý và người hướng dẫn.
Hãy đầu tiên
không xem xét tất cả các đề cập của nhóm thực thể đồng tham chiếu được liên kết với “tôi” (nhân viên viết phản hồi) và vị trí của đề cập trong văn bản. DescriptiveMentionIndex đại diện cho các chỉ mục của thực thể được đề cập mô tả tốt nhất nhóm thực thể đồng tham chiếu (trong trường hợp này I):
Nhóm thực thể tiếp theo cung cấp tất cả các đề cập về nhóm thực thể đồng tham chiếu được liên kết với quản lý, cùng với vị trí của nó trong văn bản. DescriptiveMentionIndex đại diện cho các chỉ mục của thực thể được đề cập mô tả tốt nhất nhóm thực thể đồng tham chiếu (trong trường hợp này management). Một điều cần quan sát trong ví dụ này là sự thay đổi tình cảm đối với quản lý. Bạn có thể sử dụng dữ liệu này để suy ra những phần nào trong hành động của ban quản lý được coi là tích cực và những phần nào được coi là tiêu cực và do đó có thể được cải thiện.
Để kết thúc, chúng ta hãy quan sát tất cả các đề cập của người hướng dẫn và vị trí trong văn bản. DescriptiveMentionIndex đại diện cho các chỉ mục của thực thể được đề cập mô tả tốt nhất nhóm thực thể đồng tham chiếu (trong trường hợp này instructor):
Kiến trúc tham khảo
Bạn có thể áp dụng tình cảm được nhắm mục tiêu cho nhiều trường hợp và trường hợp sử dụng để thúc đẩy giá trị doanh nghiệp, chẳng hạn như sau:
- Xác định hiệu quả của các chiến dịch tiếp thị và ra mắt tính năng bằng cách phát hiện các thực thể và đề cập có chứa phản hồi tích cực hoặc tiêu cực nhất
- Kết quả truy vấn để xác định thực thể và đề cập nào liên quan đến một thực thể tương ứng (tích cực, tiêu cực hoặc trung tính)
- Phân tích tình cảm trong suốt vòng đời tương tác của khách hàng trong các trung tâm liên hệ để chứng minh hiệu quả của các thay đổi về quy trình hoặc đào tạo
Sơ đồ sau mô tả một quá trình end-to-end:
Kết luận
Hiểu được các tương tác và phản hồi mà tổ chức nhận được từ khách hàng về sản phẩm và dịch vụ của họ vẫn là yếu tố quan trọng trong việc phát triển các sản phẩm và trải nghiệm khách hàng tốt hơn. Do đó, cần có nhiều chi tiết cụ thể hơn để suy ra kết quả tốt hơn.
Trong bài đăng này, chúng tôi đã cung cấp một số ví dụ về cách sử dụng các chi tiết cụ thể này có thể giúp các tổ chức cải thiện sản phẩm, trải nghiệm khách hàng và đào tạo đồng thời khuyến khích và xác nhận các thuộc tính tích cực. Có nhiều trường hợp sử dụng trong các ngành mà bạn có thể thử nghiệm và đạt được giá trị từ tình cảm được nhắm mục tiêu.
Chúng tôi khuyến khích bạn thử tính năng mới này với các trường hợp sử dụng của bạn. Để biết thêm thông tin và bắt đầu, hãy tham khảo Tình cảm được Nhắm mục tiêu.
Về các tác giả
Raj Pathak là một Kiến trúc sư Giải pháp và Cố vấn Kỹ thuật cho các khách hàng thuộc nhóm 50 và trung bình của FSI (Ngân hàng, Bảo hiểm, Thị trường Vốn) trên khắp Canada và Hoa Kỳ. Raj chuyên về Học máy với các ứng dụng trong Trích xuất tài liệu, Chuyển đổi Trung tâm Liên hệ và Thị giác Máy tính.
Sanjeev Pulapaka là Kiến trúc sư giải pháp cao cấp trong nhóm SA dân sự của Fed Hoa Kỳ tại Amazon Web Services (AWS). Anh ấy hợp tác chặt chẽ với khách hàng trong việc xây dựng và kiến trúc các giải pháp quan trọng cho sứ mệnh. Sanjeev có nhiều kinh nghiệm trong việc dẫn đầu, kiến trúc và triển khai các giải pháp công nghệ có tác động cao nhằm giải quyết các nhu cầu kinh doanh đa dạng trong nhiều lĩnh vực bao gồm chính quyền thương mại, liên bang, tiểu bang và địa phương. Ông có bằng đại học về kỹ thuật của Học viện Công nghệ Ấn Độ và bằng MBA của Đại học Notre Dame.
- Coinsmart. Sàn giao dịch Bitcoin và tiền điện tử tốt nhất Châu Âu.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. TRUY CẬP MIỄN PHÍ.
- CryptoHawk. Radar Altcoin. Dùng thử miễn phí.
- Nguồn: https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-complusive-targeted-sentiment/
