- Introducción
- Configuración de su cuenta
- Equilibrio
- Clústeres
- Deriva del concepto
- Cobertura
- Conjuntos de datos
- Campos generales
- Etiquetas (predicciones, niveles de confianza, jerarquía de etiquetas y sentimiento de etiqueta)
- Modelos
- Transmisiones
- Clasificación del modelo
- Proyectos
- Precisión
- Recordar
- Mensajes anotados y no anotados
- Campos extraídos
- Fuentes
- Taxonomías
- Formación
- Predicciones positivas y negativas verdaderas y falsas
- Validación
- Mensajes
- Control de acceso y administración
- Gestionar fuentes y conjuntos de datos
- Comprender la estructura de datos y los permisos
- Crear o eliminar un origen de datos en la GUI
- Cargar un archivo CSV en un origen
- Preparando datos para cargar archivos .CSV
- Crear un conjunto de datos
- Fuentes y conjuntos de datos multilingües
- Habilitar sentimiento en un conjunto de datos
- Modificar la configuración del conjunto de datos
- Eliminar un mensaje
- Eliminar un conjunto de datos
- Exportar un conjunto de datos
- Utilizar integraciones de Exchange
- Entrenamiento y mantenimiento de modelos
- Comprender las etiquetas, los campos generales y los metadatos
- Jerarquía de etiquetas y mejores prácticas
- Comparar casos de uso de análisis y automatización
- Convertir tus objetivos en etiquetas
- Descripción general del proceso de entrenamiento del modelo
- Anotación generativa
- Estado de Dastaset
- Entrenamiento de modelos y mejores prácticas de anotación
- Entrenamiento con análisis de sentimiento de etiqueta habilitado
- Chat de entrenamiento y datos de llamadas
- Comprender los requisitos de datos
- Entrenamiento
- Introducción a Refinar
- Explicación de la precisión y la recuperación
- Precisión y recuperación
- Cómo funciona la validación
- Comprender y mejorar el rendimiento del modelo
- Razones para etiquetar una precisión media baja
- Entrenamiento utilizando la etiqueta Comprobar y la etiqueta Perdida
- Entrenamiento mediante la etiqueta de aprendizaje (refinar)
- Entrenamiento mediante Buscar (Refinar)
- Comprender y aumentar la cobertura
- Mejorar el equilibrio y utilizar Reequilibrar
- Cuándo dejar de entrenar tu modelo
- Uso de campos generales
- Extracción generativa
- Uso de análisis y supervisión
- Automations and Communications Mining™
- Desarrollador
- Introducción
- Uso de la API
- Tutorial de la API
- Resumen
- Fuentes
- Conjuntos de datos
- Comentarios
- Archivos adjuntos
- Predictions
- Crear una transmisión
- Actualizar una transmisión
- Obtener una transmisión por nombre
- Obtener todas las transmisiones
- Eliminar una transmisión
- Obtener resultados de la transmisión
- Obtener comentarios de una transmisión (heredado)
- Avanzar una transmisión
- Restablecer una transmisión
- Etiquetar una excepción
- Desetiquetar una excepción
- Eventos de auditoría
- Obtener todos los usuarios
- Integración de Exchange con el usuario del servicio de Azure
- Integración de Exchange con la autenticación de aplicaciones de Azure
- Integración de Exchange con Azure Application Authentication y Graph
- Obtener datos para Tableau con Python
- Integración de Elasticsearch
- Integración de Exchange autohospedado
- Marco de automatización de UiPath®
- Actividades de UiPath® Marketplace
- Actividades oficiales de UiPath®
- Cómo aprenden las máquinas a entender palabras: una guía para las incrustaciones en PNL
- Aprendizaje basado en solicitudes con Transformers
- Efficient Transformers II: destilación de conocimientos y ajuste
- Transformadores eficientes I: mecanismos de atención
- Modelado de intenciones jerárquico profundo no supervisado: obtener valor sin datos de entrenamiento
- Corregir el sesgo de anotación con Communications Mining™
- Aprendizaje activo: mejores modelos ML en menos tiempo
- Todo está en los números: evaluar el rendimiento del modelo con métricas
- Por qué es importante la validación del modelo
- Comparación de Communications Mining™ y Google AutoML para la inteligencia de datos conversacional
- Licencia
- Preguntas frecuentes y más
Guía del usuario de Communications Mining
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, ya que 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 poder informar sobre el sentimiento dentro de un conjunto de datos para temas específicos, y hay varios gráficos disponibles en la pestaña Informes relacionados con el sentimiento.
El análisis de sentimiento de etiqueta solo es apropiado 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.
Asegúrate de que el análisis de sentimiento de etiqueta sea 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, el análisis y la automatización de la bandeja de entrada del correo electrónico.
Label sentiment analysis is enabled at dataset creation and cannot be changed later. As you go through the dataset setup flow, you have the option to enable label sentiment analysis.
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.
Asignar etiquetas con sentimiento es muy similar a asignar etiquetas sin sentimiento. Consulta los pasos 1, 2 y 3 de la siguiente imagen, que muestran cómo anotar 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 verdes o rojos. Este paso se ha repetido para las etiquetas Precio y Habitación > Tamaño.
Al aplicar etiquetas con sentimiento, asegúrate de crear una taxonomía con nombres de etiquetas neutrales, siempre que sea posible. Por ejemplo, se ha utilizado Precio en el ejemplo anterior, en lugar de Caro. Esto se debe a 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 mayoría de las veces será obvio qué sentimiento debes elegir al aplicar una etiqueta, en función de la positividad o negatividad inherente del idioma, por ejemplo, el Precio y la Habitación > Tamaño de los ejemplos anteriores.
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 errores normalmente se aplicarán con sentimiento negativo. 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, debes pensar más detenidamente qué sentimiento aplicar.
Debes tener en cuenta los metadatos del mensaje y la coherencia de la aplicación:
Metadatos del mensaje
La primera es mirar los metadatos del mensaje. Para los mensajes relacionados con los comentarios de los clientes, que es el tipo de datos más común en un conjunto de datos habilitado para sentimiento, a menudo habrá un determinado tipo de puntuación o calificación asociada a un mensaje, por ejemplo, la puntuación de NPS. A menudo puedes utilizar estas puntuaciones para estimar si un mensaje que parece de tono neutro, es más positivo o negativo en el sentimiento, por ejemplo, un cliente rara vez deja una puntuación NPS de 10 si no está satisfecho.
Si aplicas de forma coherente el sentimiento de etiqueta para los mensajes que tienen un tono neutro, en función de un campo de metadatos de puntuación, el modelo puede aprender a recoger esto y predecir el sentimiento en consecuencia.
Coherencia de la aplicación
La segunda es ser coherente en la forma en que se aplica el sentimiento de una etiqueta cuando tiene un tono bastante neutro 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.
Otra cosa importante a tener en cuenta al utilizar el análisis de sentimiento es que el modelo aplica cada etiqueta, es decir, raíz y hoja, de forma independiente, por lo que puedes tener dos etiquetas de hoja de la misma etiqueta principal que tienen diferentes sentimientos.
En estos casos, debes juzgar cuál es el sentimiento general hacia 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.
