- Einleitung
- Einrichten Ihres Kontos
- Ausgewogenheit
- Cluster
- Konzeptabweichung
- Abdeckung
- Datasets
- Allgemeine Felder
- Beschriftungen (Vorhersagen, Konfidenzniveaus, Beschriftungshierarchie und Beschriftungsstimmung)
- Modelle
- Streams
- Modellbewertung
- Projekte
- Präzision
- Rückruf
- Nachrichten mit und ohne Anmerkungen
- Extraktionsfelder
- Quellen
- Taxonomien
- Training
- „True“ und „false“ positive und negative Vorhersagen
- Validierung
- Messages
- Zugriffssteuerung und Administration
- Verwalten Sie Quellen und Datasets
- Verstehen der Datenstruktur und -berechtigungen
- Erstellen oder Löschen einer Datenquelle in der GUI
- Hochladen einer CSV-Datei in eine Quelle
- Vorbereiten von Daten für den CSV-Upload
- Ein Dataset wird erstellt
- Mehrsprachige Quellen und Datasets
- Aktivieren der Stimmung für ein Dataset
- Ändern der Dataset-Einstellungen
- Löschen einer Nachricht
- Löschen eines Datasets
- Exportieren eines Datasets
- Verwenden von Exchange-Integrationen
- Modelltraining und -wartung
- Grundlegendes zu Beschriftungen, allgemeinen Feldern und Metadaten
- Beschriftungshierarchie und Best Practices
- Vergleichen von Anwendungsfällen für Analyse und Automatisierung
- Konvertieren Ihrer Ziele in Bezeichnungen
- Übersicht über den Modelltrainingsprozess
- Generative Anmerkung
- Der Status des Datasets
- Best Practice für Modelltraining und Anmerkungen
- Training mit aktivierter Beschriftungs-Stimmungsanalyse
- Training von Chat- und Anrufdaten
- Grundlegendes zu Datenanforderungen
- Trainieren
- Einführung in Verfeinerung
- Erläuterungen zu Präzision und Rückruf
- Präzision und Rückruf
- So funktioniert die Validierung
- Verstehen und Verbessern der Modellleistung
- Gründe für die geringe durchschnittliche Beschriftungsgenauigkeit
- Training mit Beschriftung „Überprüfen“ und Beschriftung „Verpasst“.
- Training mit der Bezeichnung „Teach“ (Verfeinern)
- Training mit der Suche (verfeinern)
- Verstehen und Erhöhen der Abdeckung
- Verbesserung des Abgleichs und Verwendung des Abgleichs
- Wann das Training Ihres Modells beendet werden soll
- Verwenden von allgemeinen Feldern
- Generative Extraktion
- Verwenden von Analyse und Überwachung
- Automations and Communications Mining™
- Entwickler (Developer)
- Verwenden der API
- API-Tutorial
- Quellen
- Datasets
- Anmerkungen
- Anhänge (Attachments)
- Vorhersagen
- Erstellen Sie einen Stream
- Aktualisieren Sie einen Stream
- Rufen Sie einen Stream nach Namen ab
- Rufen Sie alle Streams ab
- Löschen Sie einen Stream
- Ergebnisse aus Stream abrufen
- Kommentare aus einem Stream abrufen (Legacy)
- Bringen Sie einen Stream vor
- Einen Stream zurücksetzen
- Kennzeichnen Sie eine Ausnahme
- Entfernen Sie das Tag einer Ausnahme
- Prüfungsereignisse
- Alle Benutzer abrufen
- Hochladen von Daten
- Herunterladen von Daten
- Exchange Integration mit einem Azure-Dienstbenutzer
- Exchange-Integration mit der Azure-Anwendungsauthentifizierung
- Exchange-Integration mit Azure Application Authentication und Graph
- Abrufen von Daten für Tableau mit Python
- Elasticsearch-Integration
- Allgemeine Feldextraktion
- Selbst gehostete Exchange-Integration
- UiPath® Automatisierungs-Framework
- Offizielle UiPath®-Aktivitäten
- Wie Maschinen lernen, Wörter zu verstehen: eine Anleitung zu Einbettungen in NLP
- Eingabeaufforderungsbasiertes Lernen mit Transformers
- Ef Robots II: Wissensdegesterration und Feinabstimmung
- Effiziente Transformer I: Warnmechanismen
- Tief hierarchische, nicht überwachte Absichtsmodellierung: Nutzen ohne Trainingsdaten
- Beheben von Anmerkungsverzerrungen mit Communications Mining™
- Aktives Lernen: Bessere ML-Modelle in weniger Zeit
- Auf Zahlen kommt es an – Bewertung der Modellleistung mit Metriken
- Darum ist Modellvalidierung wichtig
- Vergleich von Communications Mining™ und Google AutoML für Conversation Data Intelligence
- Lizenzierung
- Häufige Fragen und mehr

Communications Mining-Benutzerhandbuch
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 Beschriftung muss eine positive oder negative Stimmung erhalten, da es keine neutrale Stimmung gibt und mehrere Beschriftungen, die derselben Nachricht zugewiesen sind, je nachdem, wie sie ausgedrückt werden, unterschiedliche Stimmungen haben können.
Der Vorteil dieser Funktion besteht darin, dass sie die Stimmung innerhalb eines Datasets für bestimmte Themen melden kann und eine Reihe von Diagrammen auf der Registerkarte Berichte verfügbar ist, die sich auf die Stimmung beziehen.
Die Stimmungsanalyse für Beschriftungen ist nur für Datasets im Zusammenhang mit Kundenfeedback geeignet. Das liegt daran, dass sie viel mehr identifizierbare Stimmungsausdrücke enthalten als andere Datasets, die von Natur aus viel neutraler sind.
Stellen Sie sicher, dass die Stimmungsanalyse für Beschriftungen für Ihren Anwendungsfall geeignet ist, da sie, sobald sie während der Dataset-Erstellung aktiviert wurde, für dieses Dataset nicht deaktiviert werden kann.
Die Plattform verfügt über ein vortrainiertes Tonfallanalysemodell, das den allgemeinen Tonfall, d. h. die Stimmung einer Nachricht vorhersagt. Für alle anderen Anwendungsfälle ist dies in der Regel angemessen und ausreichend, z. B. die Analyse und Automatisierung von E-Mail-Posteingang.
Die Stimmungsanalyse für Beschriftungen ist bei der Dataset-Erstellung aktiviert und kann später nicht mehr geändert werden. Während Sie die Einrichtung des Datasets durchlaufen, haben Sie die Möglichkeit, die Stimmungsanalyse für Beschriftungen zu aktivieren.
Die Tonfallanalyse, die eine allgemeine Stimmungsbewertung von -10 bis 10 für eine Nachricht liefert, kann bei der Dataset-Erstellung oder später über die Dataset-Einstellungen aktiviert werden.
Das Zuweisen von Beschriftungen mit Stimmung ist sehr ähnlich wie das Zuweisen von Beschriftungen ohne Stimmung. Sehen Sie sich die Schritte 1, 2 und 3 in der folgenden Abbildung an, die das Versehen einer Nachricht aus einem Dataset von Kundenbewertungen mit Anmerkungen zeigen.
Der Hauptunterschied besteht in Schritt 2, wo Sie nach der Eingabe des Beschriftungsnamens immer entweder eine positive oder negative Stimmung auswählen müssen, die durch die grünen oder roten Gesichtssymbole gekennzeichnet ist. Dieser Schritt wurde für die Beschriftungen Preis sowie Raum > Größe wiederholt.
Achten Sie beim Anwenden von Beschriftungen mit Stimmung darauf, eine Taxonomie nach Möglichkeit mit neutralen Beschriftungsnamen zu erstellen. Im vorherigen Beispiel wurde „Prial“ anstelle von Expense verwendet. Dies liegt daran, dass der Preis neutral ist, während Teuer von sich aus 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.
In den meisten Fällen ist es offensichtlich, welche Stimmung Sie wählen sollten, wenn Sie eine Beschriftung anwenden, basierend auf der inhärenten Positivität oder Negativität der Sprache, z. B. Preis und Raum > Größe aus den vorherigen Beispielen.
Bei bestimmten Beschriftungen eignet sich das Konzept nicht für einen neutralen Namen und ist von Natur aus negativ oder positiv und wird daher immer mit nur einer Stimmung angewendet. Zum Beispiel werden fehlerbezogene Beschriftungen in der Regel alle mit negativer Stimmung angewendet. Das ist in Ordnung, sollte aber konsistent angewendet werden.
Manchmal kann es jedoch ziemlich unklar sein. Wenn die Sprache in einer Nachricht sehr neutral ist, müssen Sie sorgfältiger darüber übereinstimmen, welche Stimmung übertragen werden soll.
Sie sollten Nachrichtenmetadaten und Konsistenz der Anwendung berücksichtigen:
Nachrichtenmetadaten
Zunächst werden die Metadaten der Nachricht betrachtet. Bei Nachrichten im Zusammenhang mit Kundenfeedback, die der gängigste Datentyp in einem stimmungsfähigen Dataset sind, wird einer Nachricht oft eine bestimmte Art von Punktzahl oder Bewertung zugeordnet, z. B. die NPS-Punktzahl. Sie können diese Punktzahlen oft verwenden, um einzuschätzen, ob eine Nachricht, die im Tonfall neutral erscheint, eine eher positive oder negative Stimmung hat. Beispielsweise hinterlässt ein Kunde selten eine NPS-Punktzahl von 10, wenn er unzufrieden ist.
Wenn Sie die Beschriftungsstimmung für Nachrichten, die im Tonfall neutral sind, basierend auf einem Bewertungsmetadatenfeld konsistent anwenden, kann das Modell lernen, dies zu erfassen und die Stimmung entsprechend vorherzusagen.
Konsistenz der Anwendung
Die zweite besteht darin, konsistent zu sein, wenn die Stimmung für eine Beschriftung angewendet wird, wenn sie im Tonfall sehr neutral ist und es kein anderes Unterscheidungsmerkmal gibt, z. B. ein Metadatenfeld für den Punktzahlenwert.
Wenn es häufiger vorkommt, dass Feedback für eine bestimmte Beschriftung 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, wird das Modell Schwierigkeiten haben, die Stimmung vorherzusagen.
Ein weiterer wichtiger Punkt, der bei der Verwendung der Stimmungsanalyse berücksichtigt werden muss, ist, dass das Modell jede Beschriftung, d. h. Stamm und Blatt, unabhängig anwendet, sodass Sie zwei Blattbeschriftungen derselben übergeordneten Beschriftung haben können, die unterschiedliche Stimmungen haben.
In diesen Fällen müssen Sie dann die allgemeine Stimmung für die übergeordnete Beschriftung beurteilen. Im folgenden Beispiel ist die übergeordnete Beschriftung Raum insgesamt positiv.
Wenn beide Blattbeschriftungen die gleiche Stimmung haben, leitet das Modell ab, dass die übergeordnete Beschriftung ebenfalls eine negative Stimmung hat und nur die Blattbeschriftungen werden als angeheftete Beschriftungen angezeigt, obwohl dies bedeutet, dass die übergeordnete Beschriftung ebenfalls angewendet wird.