- Démarrage
- Équilibre
- Clusters
- Dérive de concept
- Couverture
- Jeux de données
- Champs généraux (anciennement entités)
- 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
- Supprimer une source
- Exporter un jeu de données
- Utilisation des intégrations Exchange
- Préparation des données en vue du téléchargement du fichier .CSV
- Entraînement et maintenance du modèle
- Comprendre les libellés, les champs généraux 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
- Entraînement des modèles et annotation des meilleures pratiques
- Entraînement avec l'analyse des sentiments des libellés activée
- Entraîner
- Vue d'ensemble (Overview)
- Examen des prédictions de libellé
- Entraînement à l'aide de la classification par glisser-déposer
- Entraînement à l'aide de l'option Enseigner le libellé (Explore)
- Entraînement à l'aide d'une confiance faible
- Entraînement à l'aide de la recherche (Explorer)
- Réduction et réorganisation de votre taxonomie
- Introduction à affiner
- 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 du libellé Vérifier (Check label) et du libellé Manqué (Missed Label)
- 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 du rééquilibrage
- Quand arrêter l'entraînement de votre modèle
- Utilisation de champs généraux
- Extraction générative
- Utilisation des analyses et de la surveillance
- Automatisations et Communications Mining
- Informations de licence
- FAQ et plus encore
Entraînement avec l'analyse des sentiments des libellés activée
L'analyse des sentiments d'étiquette est une fonctionnalité qui permet aux étiquettes d'être attribuées avec un sentiment positif ou négatif, selon la façon dont ce concept d'étiquette est exprimé dans le message.
Chaque libellé attribué doit recevoir un sentiment positif ou négatif (il n'y a pas de sentiment neutre), tandis que plusieurs libellés attribués sur le même message peuvent avoir des sentiments différents selon la façon dont ils sont exprimés.
Les avantages de cette fonctionnalité sont de pouvoir rendre compte du sentiment dans un ensemble de données pour des sujets spécifiques, et un certain nombre de graphiques sont disponibles dans les Rapports relatifs au sentiment.
L'analysedes sentiments des libellés n'est généralement appropriée que pour les ensembles de données liés aux commentaires des clients . En effet, ils contiennent beaucoup plus d'expressions de sentiment identifiables que d'autres ensembles de données, qui ont tendance à être beaucoup plus neutres par nature.
Il est important de s'assurer que l'analyse des sentiments de libellés convient à votre cas d'utilisation, car une fois qu'elle est activée lors de la création du jeu de données, elle ne peut plus être désactivée pour cet ensemble de données.
La plate-forme dispose d'un modèle d'analyse de tonalité pré-entraîné, qui prédit le ton général, c'est-à-dire le sentiment, d'un message. Ceci est généralement approprié et suffisant pour tous les autres cas d'utilisation, par exemple analyse et automatisation de la boîte de réception des e-mails.
L'analyse des sentiments des libellés est activée lors de la création du jeu de données et ne peut pas être modifiée ultérieurement. Au fur et à mesure que vous parcourez le flux de configuration du jeu de données , vous avez la possibilité d'activer l'analyse des sentiments des libellés.
L'analyse de tonalité, qui fournit un score de sentiment global de -10 à 10 pour un message, peut être activée lors de la création du jeu de données, ou plus tard via les paramètres du jeu de données. Cela peut être désactivé et activé, il n’est donc pas important si vous ne l’activez pas lors de la configuration.
L'attribution de libellés avec sentiment est très similaire à l'attribution de libellés sans sentiment – voir les étapes 1, 2 et 3 ci-dessous, qui montrent comment annoter un message à partir d'un ensemble de données d'avis d'avis de clients sur l' manière.
La principale différence se trouve à l’étape 2, où, après avoir saisi le nom de l’étiquette, vous devez toujours sélectionner un sentiment positif ou négatif, indiqué par les icônes de visage vertes ou rouges (cette étape a été répétée pour le « Price » et le « Chase »> libellés de taille).
Une chose importante à retenir lors de l'application de libellés avec sentiment, est qu'il est important de créer une taxonomie avec des noms de libellé neutres (si possible). Par exemple, « Price » a été utilisé ci-dessus plutôt que « Expensif », car « Price » est neutre tandis que « Expensive » est négatif par défaut.
La sélection d'un sentiment négatif pour une étiquette avec un nom neutre capturerait les instances où le message exprime une vision négative de l'étiquette.
La plupart du temps, le sentiment à choisir lors de l'application d'une étiquette, qui se base sur la positivité ou la négativité propre de la langue, est évidente (par exemple, « Price » (Price) et « Champ > Taille » (Size) ci-dessus).
Pour certaines étiquettes, le concept peut ne pas se prêter à un nom neutre et sera par défaut négatif ou positif, et sera donc toujours appliqué avec un seul sentiment. Par exemple, les libellés liés à « Erreur » seront généralement tous appliqués avec un sentiment négatif. C'est bien, mais elle doit être appliquée de manière cohérente.
Parfois, cependant, cela peut être assez flou. Si la langue d'un message est très neutre, nous devons refléter plus attentivement le sentiment à appliquer. Ici, il y a deux éléments principaux à prendre en compte :
Métadonnées de message
La première consiste à examiner les métadonnées du message. Pour les messages liés aux commentaires des clients (le type de données le plus courant dans un ensemble de données activé par les sentiments), un score ou une évaluation sera souvent associé à un message (par ex. score NPS). Vous pouvez souvent utiliser ces scores pour évaluer si un message qui apparaît de ton neutre, est plus positif ou négatif dans le sentiment - c'est-à-dire qu'un client laisse rarement un score NPS de 10 s'il n'est pas satisfait.
Si vous appliquez systématiquement un sentiment de libellé pour des messages d'un ton neutre, sur la base d'un champ de métadonnées de «score», le modèle peut apprendre à reprendre cette option et à prédire le sentiment en conséquence.
Cohérence d’application
Le second est d'être cohérent dans la façon dont vous appliquez le sentiment d'un libellé lorsqu'il est d'un ton relativement neutre et qu'il n'y a pas d'autre différentiateur (par exemple, un champ de métadonnées lié à un « score »).
S'il est plus courant que les commentaires soient positifs pour une certaine étiquette, supposez qu'ils sont positifs à moins que le message ne soit explicitement négatif, et vice versa. Si vous n'êtes pas cohérent, cependant, le modèle aura du mal à prédire le sentiment.
Une autre chose importante à prendre en compte lors de l'utilisation de l'analyse des sentiments est que le modèle applique chaque étiquette (racine et feuille) indépendamment, de sorte que vous pouvez avoir deux étiquettes de feuille de la même étiquette parente qui ont des sentiments différents.
Dans ces cas, vous devez ensuite évaluer le sentiment général de l'étiquette parente. Dans cet exemple ci-dessous, l'étiquette parente « Space » est globalement positive.
Si les deux libellés de feuille ont le même sentiment, le modèle déduira que le libellé parent a également un sentiment négatif et seuls les libellés de feuille seront affichés comme des libellés épinglés ( bien que cela implique que le libellé parent est également appliqué).