- Primeros pasos
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Entidades
- Etiquetas (predicciones, niveles de confianza, jerarquía, etc.)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes revisados y no revisados
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Administración
- Administrar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Crear un nuevo conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración de un conjunto de datos
- Eliminar mensajes a través de la IU
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Uso de integraciones de Exchange
- Preparar datos para cargar archivos .CSV
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, las entidades y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Definición de los objetivos de taxonomía
- Casos de uso de análisis frente a automatización
- Convertir tus objetivos en etiquetas
- Crear tu estructura de taxonomía
- Mejores prácticas de diseño de taxonomía
- Importar tu taxonomía
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa (NUEVO)
- Comprender el estado de tu conjunto de datos
- Mejores prácticas de entrenamiento y etiquetado de modelos
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Entrenamiento
- Introducción a 'Perfeccionar'
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- ¿Cómo funciona la validación?
- Comprender y mejorar el rendimiento del modelo
- ¿Por qué una etiqueta puede tener una precisión media baja?
- Entrenamiento utilizando 'Comprobar etiqueta' y 'Etiqueta perdida'
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y usar 'Reequilibrar'
- Cuándo dejar de entrenar tu modelo
- Definir y configurar tus entidades
- Comprender las entidades
- ¿Qué entidades preentrenadas están disponibles?
- Habilitar, deshabilitar, actualizar y crear entidades
- Filtrado de entidades
- Revisar y aplicar entidades
- Validación para entidades
- Mejorar el rendimiento de la entidad
- Creación de entidades regex personalizadas
- Uso de análisis y supervisión
- Minería de automatizaciones y comunicaciones
- Preguntas frecuentes y más
Entrenamiento con análisis de sentimiento de etiqueta habilitado
El análisis de sentimiento de etiqueta es una característica que permite asignar etiquetas con sentimiento positivo o negativo, dependiendo de cómo se exprese ese concepto de etiqueta en el mensaje.
Cada etiqueta asignada debe recibir un sentimiento positivo o negativo (no hay un sentimiento neutral), mientras que varias etiquetas asignadas en el mismo mensaje pueden tener diferentes sentimientos dependiendo de cómo se expresen.
Las ventajas de esta característica son la posibilidad de informar sobre la opinión dentro de un conjunto de datos para temas específicos, y hay una serie de gráficos disponibles en Informes relacionados con la opinión.
Elanálisis de la opinión de la etiqueta suele ser apropiado solo para los conjuntos de datos relacionados con los comentarios de los clientes . Esto se debe a que contienen muchas más expresiones de sentimiento identificables que otros conjuntos de datos, que tienden a ser mucho más neutrales por naturaleza.
Es importante asegurarse de que el análisis de sentimiento de etiqueta es apropiado para tu caso de uso, ya que una vez habilitado durante la creación del conjunto de datos, no se puede deshabilitar en ese conjunto de datos.
La plataforma tiene disponible un modelo de análisis de tono preentrenado, que predice el tono general, es decir, el sentimiento, de un mensaje. Esto suele ser apropiado y suficiente para todos los demás casos de uso, por ejemplo análisis y automatización de la bandeja de entrada del correo electrónico.
El análisis de sentimiento de etiqueta se habilita en la creación del conjunto de datos y no se puede cambiar más tarde. A medida que avanzas en el flujo de configuración del conjunto de datos , tienes la opción de habilitar el análisis de sentimiento de etiqueta.
El análisis de tono, que proporciona una puntuación de sentimiento general de -10 a 10 para un mensaje, puede habilitarse en la creación del conjunto de datos, o más tarde a través de la configuración del conjunto de datos. Esto se puede activar y desactivar, por lo que no es importante si no lo habilitas durante la configuración.
Asignar etiquetas con sentimiento es muy similar a asignar etiquetas sin sentimiento: consulta los pasos 1, 2 y 3 a continuación, que muestran el etiquetado de un mensaje a partir de un conjunto de datos de reseñas de hoteles de clientes.
La principal diferencia está en el paso 2, donde después de escribir el nombre de la etiqueta, siempre debes seleccionar una opinión positiva o negativa, indicada por los iconos de cara verde o roja (este paso se ha repetido tanto para el 'Precio' como para el 'Habitación> etiquetas de tamaño).
Una cosa importante que hay que recordar al aplicar etiquetas con sentimiento es que es importante crear una taxonomía con nombres de etiquetas neutrales (cuando sea posible). Por ejemplo, "Precio" se ha utilizado anteriormente en lugar de "Caro", ya que "Precio" es neutral, mientras que "Caro" es inherentemente negativo.
La selección de sentimiento negativo para una etiqueta con un nombre neutral capturaría los casos en los que el mensaje expresa una percepción negativa de la etiqueta.
La mayor parte del tiempo será obvio qué sentimiento debes elegir al aplicar una etiqueta, en función de la positividad o negatividad inherente del idioma (por ejemplo, los ejemplos anteriores de 'Precio' y 'Habitación > Tamaño').
Para ciertas etiquetas, el concepto puede no prestarse a un nombre neutral y será intrínsecamente negativo o positivo, y por lo tanto siempre se aplicará con un solo sentimiento. Por ejemplo, las etiquetas relacionadas con 'Error' normalmente se aplicarán con una opinión negativa. Esto está bien, pero debe aplicarse de forma coherente.
A veces, sin embargo, puede ser bastante confuso. Si el lenguaje de un mensaje tiene un tono muy neutro, debemos pensar más detenidamente qué sentimiento aplicar. Aquí hay dos cosas principales a tener en cuenta:
Metadatos del mensaje
La primera es mirar los metadatos del mensaje. Para los mensajes relacionados con los comentarios de los clientes (el tipo de datos más común en un conjunto de datos habilitado para opiniones), a menudo habrá algún tipo de puntuación o calificación asociada a un mensaje (p. ej. puntuación NPS). A menudo puedes utilizar estas puntuaciones para evaluar si un mensaje que parece neutral en tono, es más positivo o negativo en sentimiento, es decir, un cliente rara vez deja una puntuación NPS de 10 si no está satisfecho.
Si aplicas de forma coherente el sentimiento de la etiqueta para los mensajes que tienen un tono neutro, en función de un campo de metadatos de "puntuación", el modelo puede aprender a detectarlo y predecir el sentimiento en consecuencia.
Coherencia de la aplicación
La segunda es ser coherente en la forma en que se aplica el sentimiento para una etiqueta cuando tiene un tono bastante neutral y no hay otro diferenciador (por ejemplo, un campo de metadatos relacionado con la "puntuación").
Si es más común que los comentarios sean positivos para una determinada etiqueta, asume que son positivos a menos que el mensaje sea explícitamente negativo, y viceversa. Sin embargo, si no eres coherente, el modelo tendrá dificultades para predecir el sentimiento.
Otro aspecto importante a tener en cuenta al utilizar el análisis de opiniones es que el modelo aplica cada etiqueta (raíz y hoja) de forma independiente, por lo que puedes tener dos etiquetas de hoja de la misma etiqueta principal que tengan opiniones diferentes.
En estos casos, debes juzgar cuál es la opinión general sobre la etiqueta principal. En este ejemplo a continuación, la etiqueta principal 'Habitación' es positiva en general.
Si ambas etiquetas de hoja tienen la misma opinión, el modelo inferirá que la etiqueta principal también tiene una opinión negativa y solo las etiquetas de hoja se mostrarán como etiquetas ancladas (aunque eso implica que también se aplica la etiqueta principal).
