A principios de este año, Amazon Comprehend, un servicio de procesamiento de lenguaje natural (NLP) que utiliza el aprendizaje automático (ML) para descubrir información del texto, lanzó la función Sentimiento dirigido. Con Targeted Sentiment, puede identificar grupos de menciones (grupos de co-referencia) correspondientes a una sola entidad o atributo del mundo real, proporcionar el sentimiento asociado con cada mención de entidad y ofrecer la clasificación de la entidad del mundo real basada en un lista predeterminada de entidades.

Hoy, nos complace anunciar la nueva API síncrona para opiniones específicas en Amazon Comprehend, que brinda una comprensión granular de las opiniones asociadas con entidades específicas en los documentos de entrada.

En esta publicación, brindamos una descripción general de cómo puede comenzar con la API síncrona de sentimientos dirigidos de Amazon Comprehend, recorrer la estructura de salida y analizar tres casos de uso separados.

Casos de uso de sentimientos dirigidos

El análisis de sentimientos dirigidos en tiempo real en Amazon Comprehend tiene varias aplicaciones para permitir información precisa y escalable sobre la marca y la competencia. Puede utilizar el sentimiento específico para procesos críticos para el negocio, como la investigación de mercado en vivo, la producción de experiencia de marca y la mejora de la satisfacción del cliente.

El siguiente es un ejemplo del uso de sentimientos específicos para una reseña de una película.

"Película" es la entidad principal, identificada como tipo movie, y se menciona dos veces más como “película” y el pronombre “eso”. La API de opinión dirigida proporciona la opinión hacia cada entidad. Verde se refiere a un sentimiento positivo, rojo a negativo y azul a neutral.

El análisis tradicional proporciona el sentimiento del texto general, que en este caso es mixto. Con el sentimiento dirigido, puede obtener información más granular. En este escenario, el sentimiento hacia la película es tanto positivo como negativo: positivo con respecto a los actores, pero negativo en relación con la calidad general. Esto puede proporcionar retroalimentación específica para el equipo de filmación, como ejercer más diligencia en la escritura de guiones, pero considerar a los actores para roles futuros.

Las aplicaciones destacadas del análisis de sentimientos en tiempo real variarán según las industrias. Incluye la extracción de información de mercadotecnia y de los clientes a partir de transmisiones en vivo de redes sociales, videos, eventos en vivo o transmisiones, la comprensión de las emociones con fines de investigación o la disuasión del acoso cibernético. El sentimiento dirigido sincrónico impulsa el valor comercial al proporcionar comentarios en tiempo real en segundos para que pueda tomar decisiones en tiempo real.

Echemos un vistazo más de cerca a estas diversas aplicaciones de análisis de sentimientos dirigidos en tiempo real y cómo las diferentes industrias pueden usarlas:

• Escenario 1 – Extracción de opiniones de documentos financieros para determinar el sentimiento hacia una acción, persona u organización
• Escenario 2 – Análisis del centro de llamadas en tiempo real para determinar el sentimiento granular en las interacciones con los clientes
• Escenario 3 – Monitorear la retroalimentación de la organización o el producto a través de las redes sociales y los canales digitales, y proporcionar soporte y resoluciones en tiempo real

En las siguientes secciones, analizamos cada caso de uso con más detalle.

Escenario 1: extracción de opiniones financieras y generación de señales comerciales

El análisis de sentimiento es crucial para los creadores de mercado y las empresas de inversión cuando construyen estrategias comerciales. Determinar el sentimiento granular puede ayudar a los comerciantes a inferir qué reacción puede tener el mercado hacia los eventos globales, las decisiones comerciales, las personas y la dirección de la industria. Este sentimiento puede ser un factor determinante para comprar o vender una acción o materia prima.

Para ver cómo podemos usar Targeted Sentiment API en estos escenarios, veamos una declaración del presidente de la Reserva Federal, Jerome Powell, sobre la inflación.

Como podemos ver en el ejemplo, comprender el sentimiento hacia la inflación puede informar una decisión de compra o venta. En este escenario, se puede inferir del API de sentimiento objetivo que la opinión del presidente Powell sobre la inflación es negativa, y es muy probable que esto resulte en tasas de interés más altas que desaceleren el crecimiento económico. Para la mayoría de los comerciantes, esto podría resultar en una decisión de venta. Targeted Sentiment API puede proporcionar a los comerciantes una visión más rápida y granular que una revisión de documentos tradicional, y en una industria donde la velocidad es crucial, puede resultar en un valor comercial sustancial.

La siguiente es una arquitectura de referencia para el uso de opiniones específicas en escenarios de generación de señales comerciales y extracción de opiniones financieras.

Escenario 2: análisis del centro de contacto en tiempo real

Una experiencia positiva en el centro de contacto es crucial para brindar una sólida experiencia al cliente. Para ayudar a garantizar experiencias positivas y productivas, puede implementar el análisis de sentimientos para medir las reacciones de los clientes, los estados de ánimo cambiantes de los clientes durante la duración de la interacción y la eficacia de los flujos de trabajo del centro de contacto y la capacitación de los empleados. Con la API Targeted Sentiment, puede obtener información granular dentro del análisis de opinión de su centro de contacto. No solo podemos determinar el sentimiento de la interacción, sino que ahora podemos ver qué causó la reacción negativa o positiva y tomar las medidas adecuadas.

Demostramos esto con las siguientes transcripciones de un cliente que devuelve una tostadora averiada. Para este ejemplo, mostramos declaraciones de muestra que el cliente está haciendo.

Como podemos ver, la conversación comienza bastante negativa. Con la API Targeted Sentiment, podemos determinar la causa raíz del sentimiento negativo y ver si se trata de una tostadora que no funciona correctamente. Podemos usar esta información para ejecutar ciertos flujos de trabajo o enrutar a diferentes departamentos.

A través de la conversación, también podemos ver que el cliente no fue receptivo a la oferta de una tarjeta de regalo. Podemos usar esta información para mejorar la capacitación de los agentes, reevaluar si deberíamos mencionar el tema en estos escenarios o decidir si esta pregunta solo debe hacerse con un sentimiento más neutral o positivo.

Por último, podemos ver que el servicio que brindó el agente fue recibido positivamente a pesar de que el cliente todavía estaba molesto por la tostadora. Podemos usar esta información para validar la capacitación de los agentes y recompensar el buen desempeño de los agentes.

La siguiente es una arquitectura de referencia que incorpora opiniones específicas en el análisis del centro de contacto en tiempo real.

Escenario 3: Monitoreo de las redes sociales para el sentimiento del cliente

La recepción en las redes sociales puede ser un factor decisivo para el crecimiento del producto y de la organización. El seguimiento de cómo reaccionan los clientes a las decisiones de la empresa, los lanzamientos de productos o las campañas de marketing es fundamental para determinar la eficacia.

Podemos demostrar cómo usar la API Targeted Sentiment en este escenario usando las reseñas de Twitter de un nuevo par de auriculares.

En este ejemplo, hay reacciones mixtas al lanzamiento de los auriculares, pero hay un tema constante de que la calidad del sonido es deficiente. Las empresas pueden usar esta información para ver cómo reaccionan los usuarios a ciertos atributos y ver dónde se deben realizar mejoras en el producto en futuras iteraciones.

La siguiente es una arquitectura de referencia que utiliza la API de opinión dirigida para el análisis de opinión de las redes sociales.

Comience con Sentimiento dirigido

Para utilizar la opinión dirigida en la consola de Amazon Comprehend, complete los siguientes pasos:

1. En la consola de Amazon Comprehend, elija Lanzar Amazon Comprehend.
   
2. Texto de entrada, introduzca cualquier texto que desee analizar.
3. Elige Analizar.
   

Una vez que se ha analizado el documento, el resultado de la API de opinión dirigida se puede encontrar en el Sentimiento objetivo ficha en el Insights sección. Aquí puede ver el texto analizado, el sentimiento respectivo de cada entidad y el grupo de referencia al que está asociado.

En Integración de aplicaciones sección, puede encontrar la solicitud y la respuesta para el texto analizado.

Utilice programáticamente Sentimiento dirigido

Para comenzar con la API síncrona mediante programación, tiene dos opciones:

• detectar-sentimiento-objetivo – Esta API proporciona el sentimiento objetivo para un solo documento de texto
• lote-detectar-objetivo-sentimiento – Esta API proporciona el sentimiento específico para una lista de documentos

Puede interactuar con la API con el Interfaz de línea de comandos de AWS (AWS CLI) o mediante el SDK de AWS. Antes de comenzar, asegúrese de haber configurado la CLI de AWS y de tener los permisos necesarios para interactuar con Amazon Comprehend.

La API sincrónica de Targeted Sentiment requiere que se pasen dos parámetros de solicitud:

• Código de lenguaje – El idioma del texto.
• Texto o TextList: el texto UTF-8 que se procesa

El siguiente código es un ejemplo para el detect-targeted-sentiment API:

{
"LanguageCode": "string", 
"Text": "string"
}

El siguiente es un ejemplo para el batch-detect-targeted-sentiment API:

{

"LanguageCode": "string", 
"TextList": ["string"]

}

Ahora veamos algunos comandos de AWS CLI de muestra.

El siguiente código es un ejemplo para el detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
detect-targeted-sentiment  
--text "I like the burger but service was bad" 
--language-code en

El siguiente es un ejemplo para el batch-detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
batch-detect-targeted-sentiment 
--text-list "We loved the Seashore Hotel! It was clean and the staff was friendly. However, the Seashore was a little too noisy at night." "I like the burger but service is bad" 
--language-code en

El siguiente es un ejemplo de llamada a la API del SDK de Boto3:

import boto3
import subprocess

session = boto3.Session()
comprehend_client = session.client(service_name='comprehend', region_name='us-east-2')

El siguiente es un ejemplo de la detect-targeted-sentiment API:

response = comprehend_client.detect_targeted_sentiment(
LanguageCode='en',
Text = "I like the burger but service was bad"
)
print(response)

El siguiente es un ejemplo de la batch-detect-targeted-sentiment API:

response = comprehend_client.batch_detect_targeted_sentiment(
    LanguageCode='en',
    TextList = ["I like the burger but service was bad","The staff was really sweet though"]
)

Para obtener más detalles sobre la sintaxis de la API, consulte el Guía para desarrolladores de Amazon Comprehend.

Estructura de respuesta de la API

La API de opinión dirigida proporciona una forma sencilla de consumir el resultado de sus trabajos. Proporciona una agrupación lógica de las entidades (grupos de entidades) detectadas, junto con el sentimiento de cada entidad. Las siguientes son algunas definiciones de los campos que se encuentran en la respuesta:

• Entidades – Las partes significativas del documento. Por ejemplo, Person, Place, Date, Foodo Taste.
• Menciones – Las referencias o menciones de la entidad en el documento. Estos pueden ser pronombres o sustantivos comunes como "eso", "él", "libro", etc. Estos se organizan en orden por ubicación (desplazamiento) en el documento.
• Índice de menciones descriptivas – El índice en Mentions que ofrece la mejor representación del grupo de entidades. Por ejemplo, "Hotel ABC" en lugar de "hotel", "eso" u otras menciones de sustantivos comunes.
• Puntuación del grupo – La confianza de que todas las entidades mencionadas en el grupo están relacionadas con la misma entidad (como “yo”, “mí” y “mí mismo” se refieren a una persona).
• Texto – El texto en el documento que representa a la entidad.
• Tipo de Propiedad – Una descripción de lo que representa la entidad.
• Puntuación – La confianza del modelo en que se trata de una entidad relevante.
• Mención Sentimiento – El sentimiento real encontrado para la mención.
• Sentimientos – El valor de cadena de positivo, neutro, negativo o mixto.
• Puntuación de sentimiento – La confianza del modelo para cada sentimiento posible.
• Comenzar desplazamiento – El desplazamiento en el texto del documento donde comienza la mención.
• Desplazamiento final – El desplazamiento en el texto del documento donde termina la mención.

Para un desglose más detallado, consulte Extraiga opiniones granulares en texto con Amazon Comprehend Targeted Sentiment or Organización del archivo de salida.

Conclusión

El análisis de sentimientos sigue siendo crucial para las organizaciones por una miríada de razones, desde el seguimiento de los sentimientos de los clientes a lo largo del tiempo para las empresas, hasta inferir si un producto gusta o no, hasta comprender las opiniones de los usuarios de una red social sobre ciertos temas, o incluso predecir los resultados de campañas El sentimiento dirigido en tiempo real puede ser eficaz para las empresas, ya que les permite ir más allá del análisis de sentimiento general para explorar información para impulsar las experiencias de los clientes mediante Amazon Comprehend.

Para obtener más información sobre Targeted Sentiment for Amazon Comprehend, consulte Sentimiento objetivo.

Sobre los autores

Raj Pathak es Arquitecto de Soluciones y asesor técnico para clientes de Fortune 50 y FSI (Banca, Seguros, Mercados de Capital) de tamaño mediano en Canadá y Estados Unidos. Raj se especializa en aprendizaje automático con aplicaciones en extracción de documentos, transformación de centros de contacto y visión artificial.

Wrick Talukdar es un arquitecto sénior del equipo de Amazon Comprehend Service. Trabaja con los clientes de AWS para ayudarlos a adoptar el aprendizaje automático a gran escala. Fuera del trabajo, disfruta de la lectura y la fotografía.