- 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
Training mit aktivierter Beschriftungs-Stimmungsanalyse
Die Beschriftungs-Sentiment-Analyse ist eine Funktion, die es ermöglicht, Beschriftungen mit entweder positiver oder negativer Stimmung zuzuweisen, je nachdem, wie dieses Beschriftungskonzept in der Nachricht zum Ausdruck gebracht wird.
Jede zugewiesene Bezeichnung muss eine positive oder negative Stimmung haben (es gibt keine neutrale Stimmung), während mehrere Bezeichnungen, die für dieselbe Nachricht zugewiesen sind, unterschiedliche Stimmungen haben können, je nachdem, wie sie ausgedrückt werden.
Der Nutzen dieser Funktion besteht darin, dass die Stimmung innerhalb eines Datasets für bestimmte Themen gemeldet werden kann und dass in den Berichten eine Reihe von Diagrammen verfügbar sind, die sich auf die Stimmung beziehen.
DieStimmungsanalyse der Beschriftung ist in der Regel nur für Datasets im Zusammenhang mit Kundenfeedback geeignet . Dies liegt daran, dass sie viel mehr identifizierbare Stimmungsausdrücke enthalten als andere Datasets, die von vornherein viel neutraler sind.
Sie müssen sicher sein, dass die Stimmungsanalyse der Beschriftung für Ihren Anwendungsfall geeignet ist. Nachdem sie während der Dataset-Erstellung aktiviert wurde, kann sie für dieses Dataset nicht mehr deaktiviert werden.
Die Plattform verfügt über ein vortrainiertes Modell zur Stimmungsanalyse, das die allgemeine Stimmung, d. h. die Stimmung einer Nachricht vorhersagt. Dies ist in der Regel für alle anderen Anwendungsfälle angemessen und ausreichend, z. B Analyse und Automatisierung des E-Mail-Posteingangs.
Die Stimmungsanalyse der Beschriftung ist bei der Dataset-Erstellung aktiviert und kann später nicht mehr geändert werden. Während Sie die Dataset-Einrichtung durchlaufen, haben Sie die Möglichkeit, die Stimmungsanalyse der Beschriftung zu aktivieren.
Die Stimmungsanalyse, die eine Stimmungsbewertung von -10 bis 10 für eine Nachricht liefert, kann bei der Dataset-Erstellung oder später über die Dataset-Einstellungen aktiviert werden. Dies kann aus- und wieder aktiviert werden, es ist also nicht wichtig, wenn Sie es während der Einrichtung nicht aktivieren.
Das Zuweisen von Beschriftungen mit Stimmung ist dem Zuweisen von Beschriftungen ohne Stimmung sehr ähnlich – siehe Schritte 1, 2 und 3 unten, welche die Beschriftung einer Nachricht aus einem Dataset von Kundenbewertungen veranschaulichen.
Der Hauptunterschied besteht in Schritt 2, wo Sie nach Eingabe des Beschriftungsnamens immer entweder eine positive oder negative Stimmung auswählen müssen, die durch die grünen oder roten Gesichtssymbole gekennzeichnet ist (dieser Schritt wurde sowohl für „Price“ als auch für „Room >“ wiederholt Größe“-Beschriftungen).
Beim Anwenden von Beschriftungen mit Stimmung ist es wichtig, eine Taxonomie mit neutralen Beschriftungsnamen zu erstellen (wo möglich). Beispielsweise wurde oben „Preis“ anstelle von „Teurer“ verwendet, da „Preis“ neutral ist, während „Teuer“ von vornherein negativ ist.
Die Auswahl der negativen Stimmung für eine Beschriftung mit einem neutralen Namen würde die Instanzen erfassen, in denen die Nachricht eine negative Vorstellung von der Bezeichnung ausdrückt.
Meist wird es offensichtlich sein, welche Stimmung Sie wählen sollten, wenn Sie eine Beschriftung anwenden, basierend auf der inhärenten positiven oder negativen Sprache. (z. B. die Beispiele „Preis“ und „Raum > Größe“ oben).
Bei bestimmten Bezeichnungen eignet sich das Konzept möglicherweise nicht für einen neutralen Namen und ist von vornherein negativ oder positiv und wird daher immer mit nur einer Stimmung angewendet. Beispielsweise werden alle „Fehler“-bezogenen Beschriftungen in der Regel mit einer negativen Stimmung angewendet. Das ist in Ordnung, sollte aber konsistent angewendet werden.
Manchmal kann es jedoch ziemlich vage sein. Wenn die Sprache einer Nachricht im Tonfall sehr neutral ist, müssen wir sorgfältiger darüber entscheiden, welche Stimmung am Ende ist. Hier sind zwei wichtige Dinge zu beachten:
Nachrichtenmetadaten
Zunächst müssen Sie sich die Metadaten der Nachricht ansehen. Bei Nachrichten im Zusammenhang mit Kundenfeedback (der gängigste Datentyp in einem stimmungsfähigen Dataset) wird einer Nachricht oft eine Punktzahl oder Bewertung zugeordnet sein (z. B NPS-Punktzahl). Sie können diese Punktzahlen oft verwenden, um zu beurteilen, ob eine Nachricht, die im Tonfall erscheint, eher eine positive oder negative Stimmung erzeugt – d. h. ein Kunde hinterlässt nur selten einen NPS-Wert von 10, wenn er unzufrieden ist.
Wenn Sie die Beschriftungsstimmung für Nachrichten mit neutralem Ton basierend auf einem Metadatenfeld „Punktzahl“ konsistent anwenden, kann das Modell lernen, dies zu erkennen und die Stimmung entsprechend vorherzusagen.
Konsistenz der Anwendung
Die zweite besteht darin, konsistent bei der Anwendung der Stimmung für eine Beschriftung zu sein, wenn sie im Tonfall sehr neutral ist und es kein anderes Unterscheidungsmerkmal gibt (z. B. ein Metadatenfeld für die „Punktzahl“).
Wenn Feedback für eine bestimmte Bezeichnung häufig positiv ist, gehen Sie davon aus, dass es positiv ist, es sei denn, die Nachricht ist explizit negativ, und umgekehrt. Wenn Sie jedoch nicht konsistent sind, hat das Modell Schwierigkeiten, die Stimmung vorherzusagen.
Ein weiterer wichtiger Punkt bei der Verwendung der Stimmungsanalyse ist, dass das Modell jede Beschriftung (Stamm und Blatt) unabhängig anwendet, sodass Sie zwei Blattbeschriftungen von derselben übergeordneten Beschriftung mit unterschiedlichen Stimmungen haben können.
In diesen Fällen müssen Sie dann die allgemeine Stimmung für die übergeordnete Bezeichnung beurteilen. In diesem Beispiel unten ist die übergeordnete Beschriftung „Roboter“ insgesamt positiv.
Wenn beide Blattbeschriftungen die gleiche Stimmung haben, schließt das Modell, dass die übergeordnete Beschriftung auch eine negative Stimmung hat und nur die Blattbeschriftungen als angeheftete Beschriftungen angezeigt werden (dies bedeutet jedoch, dass die übergeordnete Beschriftung ebenfalls angewendet wird).
