- 基本情報
- 管理
- ソースとデータセットを管理する
- モデルのトレーニングと保守
- 生成 AI による抽出
- 分析と監視を使用する
- オートメーションと Communications Mining
- ライセンス情報
- よくある質問など
ラベルの感情分析を有効化したトレーニング
ラベルの感情分析とは、ラベルの概念がメッセージ内にどのように表されているかに応じて、肯定的または否定的な感情をラベルに割り当てることができる機能です。
割り当てられているすべてのラベルに肯定的または否定的な感情 (中立的な感情はありません) を指定する必要がありますが、同じメッセージに複数のラベルが割り当てられている場合は、その表し方に応じて異なる感情を指定できます。
この機能の利点は、データセット内の感情を特定のトピックについてレポートできることです。[レポート] では、感情に関連するさまざまなグラフを利用可能です。
ラベルの感情分析は通常、顧客からのフィードバックに関連するデータセットにのみ適しています。このようなデータセットには、本質的にはるかに中立的な傾向がある他のデータセットに比べて、識別可能な感情表現がより多く含まれているためです。
ラベルの感情分析が自分のユース ケースに適していることを確認することが重要です。データセットの作成時にラベルの感情分析を有効化すると、そのデータセットで無効化することはできないためです。
このプラットフォームには、メッセージの全体的なトーン、すなわち感情を予測する、事前トレーニング済みのトーン分析モデルがあります。これは一般的に、他のどのユース ケース (例: メールの受信トレイの分析と自動化) にも適切かつ十分です。
ラベルの感情分析はデータセットの作成時に有効化し、後で変更することはできません。データセットの設定フローを進めていくと、ラベルの感情分析を有効化するオプションがあります。
トーン分析は、メッセージの全体的な感情スコアを -10 から 10 で提供するもので、データセットの作成時に有効化することも、後からデータセットの設定で有効化することもできます。オン/オフを切り替えることができるため、設定時に有効化するかどうかは重要ではありません。
感情ありのラベルを割り当てることは、感情なしのラベルを割り当てることと非常によく似ています。顧客のホテル レビューのデータセットのメッセージにアノテーション行う方法を説明した、以下の手順 1、2、3 をご覧ください。
主な違いは手順 2 です。ラベル名を入力した後、常に、緑または赤の顔アイコンで表される肯定的または否定的な感情を選択する必要があります (この手順を「Price」ラベルと「Room > Size」ラベルの両方で繰り返します)。
感情ありのラベルを適用する際に注意すべき点として、(可能であれば) 中立的なラベル名を使用してタクソノミーを作成することが重要です。たとえば、上記の例では「Expensive」ではなく「Price」を使用しています。「Price」が中立的であるのに対し、「Expensive」は本質的に否定的であるためです。
中立的な名前のラベルに対して否定的な感情を選択すると、そのラベルに対して眼セージで否定的な認識が表されている例がキャプチャされます。
多くの場合、ラベルを適用する際にどの感情を選択すべきかは、その言語で本質的に肯定的な感情であるか、否定的な感情であるかに基づいて明確に判断できます (たとえば、上記の「Price」と「Room > Size」の例)。
特定のラベルでは、概念が中立的な名前に適しておらず、本質的に否定的または肯定的であるため、常に一方の感情のみで適用されます。たとえば、「エラー」に関連するラベルは通常、すべて否定的な感情で適用されます。これは問題ありませんが、一貫性を持って適用する必要があります。
ただし、場合によっては、これでは非常に不明確になる場合があります。メッセージの言語のトーンが非常に中立的である場合は、どの感情を適用すべきかをより慎重に考慮する必要があります。ここでは、主に 2 つの点を考慮する必要があります。
メッセージのメタデータ
1 つ目は、メッセージのメタデータを確認することです。顧客からのフィードバックに関連するメッセージ (感情が有効化されたデータセットで最も一般的な種類のデータ) では、メッセージに何らかの種類のスコアや評価が関連付けられていることがよくあります (例: NPS スコア)。多くの場合、このスコアを使用すると、一見中立的なトーンのコメントが、より肯定的な感情であるか、否定的な感情であるかを評価できます。すなわち、顧客が不満を感じている場合に、10 の NPS スコアを残すことはめったにありません。
「スコア」のメタデータ フィールドに基づいて、中立的なトーンのメッセージに一貫性を持ってラベルの感情を適用すると、モデルは学習によってこれを認識し、それに応じて感情を予測できます。
適用の一貫性
2 つ目は、トーンが非常に中立的で他の差別化要因 (たとえば、「スコア」に関連するメタデータ フィールド) がない場合、一貫性を持ってラベルに感情を適用することです。
特定のラベルではフィードバックが肯定的であることが多い場合は、メッセージが明らかに否定的でない限り、そのラベルが肯定的であると仮定します。その逆も同様です。ただし、一貫性を保たないと、モデルが感情を予測しにくくなります。
感情分析を使用する際に考慮すべき重要な点がもう 1 つあります。モデルは各ラベル (ルートとリーフ) を個別に適用するので、同じ親ラベルから、異なる感情を持つリーフ ラベルが 2 つできる可能性がある点です。
このような場合は、親ラベルの全体的な感情を判断する必要があります。次の例では、親ラベル「Room」は全体的に肯定的です。
両方のリーフ ラベルの感情が同じである場合、モデルは親ラベルの感情も否定的であると推測するので、リーフ ラベルのみがピン留めされたラベルとして表示されます (ただし、これは親ラベルも適用されることを意味します)。