- Erste Schritte
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Entitäten
- Bezeichnungen (Vorhersagen, Konfidenzniveaus, Hierarchie usw.)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Überprüfte und nicht überprüfte Nachrichten
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Verwaltung
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen Sie eine Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Ein neues Dataset erstellen
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern Sie die Einstellungen eines Datasets
- Löschen Sie Nachrichten über die Benutzeroberfläche
- Löschen Sie ein Dataset
- Exportieren Sie ein Dataset
- Verwenden von Exchange-Integrationen
- Vorbereiten von Daten für den CSV-Upload
- Modelltraining und -wartung
- Verstehen von Bezeichnungen, Entitäten und Metadaten
- Bezeichnungshierarchie und bewährte Methode
- Definieren Ihrer Taxonomieziele
- Analyse- vs. Automatisierungsanwendungsfälle
- Konvertieren Ihrer Ziele in Bezeichnungen
- Erstellen Ihrer Taxonomiestruktur
- Best Practices für den Taxonomieentwurf
- Ihre Taxonomie wird importiert
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung (NEU)
- Verstehen des Status Ihres Datasets
- Best Practice für Modelltraining und Beschriftung
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Trainieren
- Einführung zu „Verfeinern“
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- Wie funktioniert die Validierung?
- Verstehen und Verbessern der Modellleistung
- Warum kann eine Bezeichnung eine geringe durchschnittliche Genauigkeit haben?
- Training mit „Bezeichnung überprüfen“ und „Bezeichnung fehlen“
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Ausgleichs und Verwendung von „Neuausgleich“
- Wann das Training Ihres Modells beendet werden soll
- Definieren und Einrichten Ihrer Entitäten
- Grundlegendes zu Entitäten
- Welche vortrainierten Entitäten sind verfügbar?
- Aktivieren, Deaktivieren, Aktualisieren und Erstellen von Entitäten
- Entitätsfilterung
- Überprüfen und Anwenden von Entitäten
- Validierung für Entitäten
- Verbesserung der Entitätsleistung
- Erstellen von benutzerdefinierten Regex-Entitäten
- Verwenden von Analytics & Monitoring
- Automatisierungs- und Communications Mining
- Häufige Fragen und mehr
Aktivieren der Stimmung für ein Dataset
Benutzerberechtigungen erforderlich: „Datasets-Administrator“.
Bevor Sie mit dem Training beginnen, müssen Sie auswählen, ob Sie die Stimmungsanalyse beim Erstellen Ihres Datasets aktivieren möchten. Dies ist eine wichtige Entscheidung, da sie sich auf die Art und Weise auswirkt, wie Sie jede Nachricht beschriften sowie auf die Ausgabe der Vorhersagen der Plattform.
Wenn Sie die Stimmungsanalyse aktivieren, müssen Sie jedes Mal, wenn Sie eine Beschriftung anwenden, auswählen, ob sie eine positive oder negative Stimmung hat (es gibt keine neutrale Stimmung).
Dadurch wird der Beschriftungsprozess zwar etwas langsamer, aber für emotionalere Kommunikationsdaten liefert dies einen sehr nützlichen Hinweis auf die Gesamtstimmung jeder Beschriftung (d. h. ob Personen mit X zufrieden oder mit Y unzufrieden sind).
Wann würden Sie die Stimmungsanalyse aktivieren?
Die Stimmungsanalyse ist am nützlichsten für emotionalere Kommunikationsdaten, wie z. B. Feedbacküberprüfungen und -Umfragen von Kunden (oder Mitarbeitern) oder Support-Tickets undChats, wenn Sie ein Gefühl für die Zufriedenheit (oder Unzufriedenheit) Ihrer Kunden (oder Mitarbeiter) mit Bezug auf verschiedene Themen.
Die Stimmungsanalyse wird in der Regel nicht für Kommunikationsdaten empfohlen , die im Allgemeinen einen neutralen Tonfall haben, z. B. gemeinsam genutzte Postfächer für BAU-Teams, die miteinander interagieren, oder mit externen Kollegen (obligatorisch kann es Ausnahmen geben). In dieser Art von Datenquellen wird die Stimmung in der Regel nur gelegentlich ausgedrückt. Sie müssten jedoch jeder Beschriftung eine positive oder negative Stimmung zuweisen, wenn diese Option aktiviert wäre.
Bei neutraleren Datasets ist es in der Regel einfacher, die Stimmung mit bestimmten inhärent positiven oder negativen Bezeichnungen zu erfassen, z. B. „Frustration“ oder „Verfolger“, da es viel weniger Fälle gibt, in denen die Stimmung explizit ist.
Wie die Stimmung aktiviert wird, erfahren Sie im vorherigen Artikel hier.