- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Entités (Entities)
- Libellés (prédictions, niveaux de confiance, hiérarchie, etc.)
- Modèles
- Flux
- Évaluation du modèle
- Projets
- Précision
- Rappel
- Messages examinés et non examinés
- Sources
- Taxonomies
- Apprentissage
- Prédictions positives et négatives vraies et fausses
- Validation
- Messages
- Administration
- Gérer les sources et les jeux de données
- Comprendre la structure des données et les autorisations
- Créer une source de données dans l'interface graphique
- Téléchargement d’un fichier CSV dans une source
- Créer un nouveau jeu de données
- Sources et jeux de données multilingues
- Activation des sentiments sur un ensemble de données
- Modifier les paramètres d’un jeu de données
- Supprimer des messages via l'interface utilisateur
- Supprimer un jeu de données
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les entités et les métadonnées
- Hiérarchie des libellés et bonnes pratiques
- Définition de vos objectifs de taxonomie
- Cas d'utilisation d'analyse vs d'automatisation
- Transformer vos objectifs en libellés
- Construire votre structure de taxonomie
- Meilleures pratiques de conception de taxonomie
- Importation de votre taxonomie
- Présentation du processus d'entraînement du modèle
- Annotation générative (New)
- Comprendre le statut de votre jeu de données
- Meilleures pratiques d'entraînement et de labellisation des modèles
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de « Mélanger »
- Entraînement à l'aide d'« Ensemble des libellés » (Explore)
- Entraînement à l'aide de l'option 'Faible confiance'
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à 'Raffiner'
- Précision et rappel expliqués
- Précision et rappel
- Comment fonctionne la validation ?
- Comprendre et améliorer les performances du modèle
- Pourquoi un libellé peut-il avoir une précision moyenne faible ?
- Entraînement à l'aide de « Vérifier le libellé » et « Libellé manquant »
- Entraînement à l'aide du libellé En savoir plus (Affiner)
- Entraînement à l'aide de la recherche (affiner)
- Comprendre et augmenter la couverture
- Amélioration de l'équilibre et utilisation de « Rééquilibrer »
- Quand arrêter l'entraînement de votre modèle
- Définition et configuration de vos entités
- Comprendre les entités
- Quelles sont les entités pré-entraînées disponibles ?
- Activation, désactivation, mise à jour et création d'entités
- Filtrage des entités
- Examiner et appliquer des entités
- Validation pour les entités
- Amélioration des performances de l'entité
- Création d'entités Regex personnalisées
- Utilisation des analyses de surveillance &
- Automatisations et Communications Mining
- FAQ et plus
Activation des sentiments sur un ensemble de données
Autorisations utilisateur requises : « Administrateur des ensembles de données ».
Avant de commencer l'entraînement, vous devez choisir d'activer ou non l'analyse des sentiments lors de la création de votre ensemble de données. C'est une décision importante car elle affectera la façon dont vous labellisez chaque message, ainsi que la sortie des prédictions de la plate-forme.
Si vous choisissez d'activer l'analyse des sentiments, chaque fois que vous appliquerez une étiquette, vous devrez choisir si elle a un sentiment positif ou négatif (il n'y a pas de sentiment neutre).
Cela rend le processus de labellisation légèrement plus lent. Cependant, pour des données de communications plus émotives, il fournit une indication très utile du sentiment général de chaque libellé (c'est-à-dire : les gens sont-ils satisfaits de X ou insatisfaits de Y).
Quand activez-vous l'analyse des sentiments ?
L'analyse des sentiments est très utile pour les données de communications plus émotives , telles que les avis et les enquêtes sur les commentaires des clients (ou des employés), ou les ticketset les discussions d'assistance, lorsque vous essayez d'avoir une idée de la satisfaction (ou de l' insatisfaction) des clients (ou des employés) concernant divers sujets.
L'analyse des sentiments n'est généralement pas recommandée pour les données de communication dont le ton est généralement neutre, telles que les boîtes aux lettres partagées pour les équipes BAU qui interagissent avec d'autres équipes ou des homologues externes (mais des exceptions peuvent exister). Dans ces types de sources de données, le sentiment n'est généralement exprimé qu'à l'opportunité, mais vous devrez attribuer un sentiment positif ou négatif à chaque libellé si il était activé.
Pour les ensembles de données plus neutres, il est généralement plus facile de capturer un sentiment avec certains libellés intrinsèquement positifs ou négatifs, tels que « Frustration » ou « Chaser », car il y a beaucoup moins de cas où le sentiment est explicite.
La façon d'activer les sentiments est expliquée dans l'article précédent ici.