- Introdução
- Balanceamento
- Clusters
- Desvio de conceito
- Cobertura
- Conjuntos de dados
- Entidades
- Rótulos (previsões, níveis de confiança, hierarquia etc.)
- Modelos
- Transmissões
- Classificação do Modelo
- Projetos
- Precisão
- Lembrar
- Mensagens revisadas e não revisadas
- Fontes
- Taxonomias
- Treinamento
- Previsões positivos e negativos verdadeiros e falsos
- Validação
- Mensagens
- Administração
- Gerenciar origens e conjuntos de dados
- Entender a estrutura de dados e permissões
- Crie uma origem de dados na GUI
- Carregar um arquivo CSV para uma origem
- Criar um conjunto de dados
- Origens e conjuntos de dados multilíngues
- Habilitando o sentimento em um conjunto de dados
- Corrigir configurações de conjunto de dados
- Excluir mensagens por meio da interface do usuário
- Excluir um conjunto de dados
- Exportar um conjunto de dados
- Usando integrações do Exchange
- Preparando dados para upload de .CSV
- Treinamento e manutenção do modelo
- Noções Básicas sobre rótulos, entidades e metadados
- Hierarquia de rótulo e práticas recomendadas
- Definição dos seus objetivos de taxonomia
- Casos de uso de análise versus automação
- Transformando seus objetivos em rótulos
- Criação da sua estrutura taxonômica
- Práticas recomendadas de design de taxonomia
- Importando sua taxonomia
- Visão geral do processo de treinamento do modelo
- Anotação Generativa (Novo)
- Entendendo o status do seu conjunto de dados
- Práticas recomendadas de treinamento e rotulagem de modelos
- Treinamento com análise de sentimento de rótulo habilitada
- Treinamento
- Introdução a "Refinar"
- Precisão e recall explicados
- Precisão e recall
- Como funciona a Validação?
- Compreender e melhorar o desempenho do modelo
- Por que um rótulo pode ter uma precisão média baixa?
- Treinamento usando "Check label" e "Missed label"
- Treinamento usando Ensinar rótulo (Refinar)
- Treinamento usando a Pesquisa (Refinamento)
- Noções Básicas e Aumentando a Cobertura
- Como melhorar o balanceamento e usar o 'Rebalance'
- Quando parar de treinar seu modelo
- Definição e configuração de suas entidades
- Noções Básicas sobre Entidades
- Quais entidades pré-treinadas estão disponíveis?
- Habilitar, desabilitar, atualizar e criar entidades
- Filtragem de entidades
- Revisar e aplicar entidades
- Validação para entidades
- Melhoria do desempenho de entidade
- Como criar entidades regex personalizadas
- Uso de Análise e Monitoramento
- Automations e Communications Mining
- Perguntas frequentes e mais
Treinamento com análise de sentimento de rótulo habilitada
A análise de sentimento do rótulo é uma funcionalidade que permite que rótulos sejam atribuídos com um sentimento positivo ou negativo, dependendo de como esse conceito de rótulo é expresso dentro da mensagem.
Cada rótulo atribuído precisa receber um sentimento positivo ou negativo (não há sentimento neutro), enquanto vários rótulos atribuídos na mesma mensagem podem ter diferentes sentimentos, dependendo de como eles são expressos.
Os benefícios dessa funcionalidade são a possibilidade de relatar a opinião dentro de um conjunto de dados para tópicos específicos, e vários gráficos estão disponíveis em Relatórios relacionados a opinião.
Aanálise de sentimento de rótulo normalmente é apropriada apenas para conjuntos de dados relacionados ao feedback do cliente . Isso ocorre porque eles contêm muito mais expressões identificáveis de sentimento do que outros conjuntos de dados, que costumam ser muito mais neutros por natureza.
É importante ter certeza de que a análise de sentimento do rótulo seja apropriada para o seu caso de uso, pois após ser habilitada durante a criação do conjunto de dados, ela não pode ser desabilitada nesse conjunto de dados.
A plataforma tem um modelo de análise de tom pré-treinado disponível, que prevê o tom geral, ou seja, o sentimento de uma mensagem. Normalmente, é apropriado e suficiente para todos os outros casos de uso como, por exemplo, análise e automação de caixa de entrada de e-mails.
A análise de sentimento do rótulo é habilitada na criação do conjunto de dados e não pode ser alterada posteriormente. Conforme você passa pelo fluxo de configuração do conjunto de dados, você tem a opção de habilitar a análise de sentimento do rótulo.
A análise de tom, que fornece uma pontuação geral de sentimento de -10 a 10 para uma mensagem, pode ser habilitada na criação do conjunto de dados ou, posteriormente, por meio das configurações do conjunto de dados. Isso pode ser desligado e ligado, por isso não é importante se você não habilitá-lo durante a configuração.
Atribuir rótulos com sentimento é muito semelhante à atribuição de rótulos sem sentimento – consulte as Etapas 1, 2 e 3 abaixo, que demonstra a rotulagem de uma mensagem de um conjunto de dados de avaliações de clientes de clientes.
A principal diferença está na Etapa 2, na qual, após digitar o nome do rótulo, você deve sempre selecionar um sentimento positivo ou negativo, denotado pelos ícones de rosto verde ou vermelho (essa etapa foi repetida para o 'Preço' e o 'Sala > Tamanho dos rótulos).
Uma coisa importante a lembrar ao aplicar rótulos com sentimento é que é importante criar uma taxonomia com nomes de rótulos neutros (quando possível). Por exemplo, "Preço" foi usado acima em vez de "Caro", pois "Preço" é neutro e "Caro" é inerentemente negativo.
A seleção de um sentimento negativo para um rótulo com um nome neutro captura as instâncias em que a mensagem expressa uma imagem negativa do rótulo.
Na maior parte do tempo, será óbvio qual sentimento você deve escolher ao aplicar um rótulo, com base na positividade ou negatividade inerentes ao idioma (por exemplo, os exemplos "Price" e "Room > Size" acima).
Para determinados rótulos, o conceito pode não se prestar a um nome neutro e será inerentemente negativo ou positivo e, assim, sempre será aplicado com apenas um sentimento. Por exemplo, todos os rótulos relacionados a “Erros” normalmente serão aplicados com um sentimento negativo. Tudo bem, mas deve ser aplicado de forma consistente.
Às vezes, no entanto, pode não ser claro. Se o idioma em uma mensagem é muito neutro em tom, precisamos pensar mais cuidadosamente sobre qual sentimento aplicar. Aqui, há duas coisas principais a serem consideradas:
Metadados da mensagem
A primeira é olhar os metadados da mensagem. Para mensagens relacionadas ao feedback do cliente (o tipo mais comum de dados em um conjunto de dados habilitado para sentimento), geralmente haverá algum tipo de pontuação ou classificação associada a uma mensagem (por exemplo, Pontuação de NPS). Muitas vezes, você pode usar essas pontuações para avaliar se uma mensagem que aparece em um tom neutro, é mais positiva ou negativa em sentimento, ou seja, um cliente raramente deixa uma pontuação de NPS de 10 se estiver insatisfeito.
Se você aplicar de forma consistente o sentimento do rótulo para mensagens que são de tom neutro, com base em um campo de metadados "pontuação", o modelo poderá aprender a detectar isso e prever o sentimento adequadamente.
Consistência do aplicativo
A segunda é ser consistente em como você aplica o sentimento para um rótulo quando ele tem um tom bastante neutro e não há outro diferenciador (por exemplo, um campo de metadados relacionado a “pontuação”).
Se for mais comum que o feedback seja positivo para um determinado rótulo, assuma que é positivo, a menos que a mensagem seja explicitamente negativa e vice-versa. Se você não for consistente, no entanto, o modelo terá dificuldade em prever a opinião.
Outra coisa importante a se considerar ao usar a análise de sentimento é que o modelo aplica cada rótulo (raiz e folha) independentemente, para que você possa ter dois rótulos folha do mesmo rótulo pai que tenham opiniões diferentes.
Nesses casos, você deve avaliar qual é a opinião geral em relação ao rótulo pai. No exemplo abaixo, o rótulo pai “Sala” é positivo no geral.
Se ambos os rótulos folha tiverem o mesmo sentimento, então o modelo inferirá que o rótulo pai também tem um sentimento negativo, e apenas os rótulos folha serão mostrados como rótulos fixados (apesar de isso implicar que o rótulo pai também é aplicado).
