Conceptos Clave

Antes de aprender sobre probar Text Analytics desde la consola de Catalyst, discutamos las funcionalidades de Text Analytics en detalle.

Sentiment Analysis

Sentiment Analysis es una herramienta común de deep learning que realiza minería de opiniones contextual en texto no estructurado, para extraer información subjetiva sobre los sentimientos subyacentes en él. Involucra las aplicaciones de análisis de texto general, procesamiento de lenguaje natural, lingüística computacional y otras técnicas de machine learning.

El texto generalmente se descompone en sus estructuras componentes, y se asignan puntuaciones de sentimiento ponderadas a cada entidad. Esto ayuda a la IA a determinar el sentimiento general del texto, basándose en un análisis acumulativo de los sentimientos reconocidos en cada entidad.

El modelo de Zia Sentiment Analysis analiza la polaridad de los sentimientos en el texto y lo categoriza como uno de estos tres: positivo, negativo, neutral.

Zia determina estos sentimientos para cada oración en un texto después de analizarlas una tras otra, y luego predice si el texto general es positivo, negativo o neutral, basándose en los sentimientos de cada oración.

Formatos de Respuesta

Zia Sentiment Analysis devuelve el análisis de cada oración, así como un análisis del texto general como respuesta. La respuesta también devuelve las puntuaciones de confianza para cada oración y el texto general, para mostrar la precisión del análisis.

Los formatos de respuesta y puntuación de confianza difieren según los tipos de respuesta:

• Respuesta visual: La respuesta visual generada cuando pruebas Text Analytics en la consola muestra el sentimiento de cada oración en el texto y el sentimiento general del texto de manera comprensiva y clara. La puntuación de confianza de cada análisis se presenta como un valor porcentual en la respuesta visual.
• Respuesta JSON: Puedes obtener una respuesta JSON para Text Analytics tanto en la API como al probarlo en la consola. La consola genera ambos tipos de respuestas. La respuesta JSON también entrega sentimientos individuales de cada oración y el sentimiento general. Sin embargo, la puntuación de confianza en la respuesta JSON se presenta en el rango de 0 a 1.

Puedes ver una respuesta JSON de ejemplo completa en la documentación de API.

Casos de Uso

Sentiment Analysis es crucial para negocios y marcas que valoran enormemente la comprensión de las experiencias de los clientes. Sentiment Analysis se puede implementar para los siguientes propósitos:

• Medir y monitorear los sentimientos expresados por los clientes en plataformas de redes sociales y encuestas de opinión
• Automatizar el análisis de comentarios y reseñas de clientes, y reducir la carga de trabajo manual involucrada
• Identificar y abordar situaciones críticas en tiempo real, mediante el monitoreo automatizado de sentimientos negativos
• Mantener la reputación e integridad de la marca entregando soporte al cliente rápido y exhaustivo, y tomando acciones estratégicas
• Implementar un sistema centralizado, organizado e imparcial para llegar a decisiones sobre asuntos subjetivos
• Útil para analistas de datos para realizar investigaciones de mercado matizadas y entregar datos accionables
• Tomar decisiones de negocio informadas y proporcionar servicios personalizados basados en los sentimientos y percepciones analizados

Named Entity Recognition

Named Entity Recognition es un subconjunto de extracción de información que identifica entidades nombradas en un texto no estructurado y las clasifica en categorías predeterminadas. Estas categorías representan objetos del mundo real como personas, lugares u organizaciones. Una entidad que contiene rasgos comunes con una categoría se agrupa en ella.

NER se ocupa del procesamiento de lenguaje natural y la inteligencia artificial. Implica someterse a un riguroso machine learning usando una gran cantidad de datos de entrenamiento para detectar y categorizar entidades con precisión. El modelo NER de Zia es eficiente y confiable, y puede extraer y agrupar entidades con alta exactitud.

Zia NER puede reconocer y etiquetar entidades que se ajustan a las siguientes categorías predefinidas:

Es decir, puede determinar que una palabra en un fragmento de texto es el nombre de una organización o una persona, y agregarla a la categoría apropiada.

Formatos de Respuesta

NER devuelve las entidades reconocidas y las categorías a las que pertenecen, junto con una puntuación de confianza para cada categorización que determina la precisión de la clasificación.

Los formatos de respuesta y puntuación de confianza difieren según los tipos de respuesta:

• Respuesta visual: La respuesta visual generada cuando pruebas Text Analytics en la consola muestra una lista de las entidades reconocidas y sus categorías. La puntuación de confianza de cada clasificación se presenta como un valor porcentual en la respuesta visual.
• Respuesta JSON: Puedes obtener una respuesta JSON para Text Analytics tanto en la API como al probarlo en la consola. La consola genera ambos tipos de respuestas. La respuesta JSON también entrega las entidades y sus categorías, con información adicional sobre la posición de la entidad en el texto. La puntuación de confianza se presenta como un valor porcentual aquí también.

Puedes ver una respuesta JSON de ejemplo completa en la documentación de API.

Casos de Uso

NER es altamente útil para identificar elementos clave en grandes conjuntos de datos y transmitir su contenido agrupando información relevante o similar. NER se puede implementar en los siguientes escenarios:

• Aplicaciones de clasificación y agrupación de contenido que requieren gestión eficiente, rápida y en tiempo real de múltiples categorías de contenido
• Resumir información en contenidos como currículos, manuales, noticias, artículos científicos, y agrupar detalles cruciales
• Aplicaciones de atención al cliente que categorizan quejas o solicitudes basándose en departamentos, filtran palabras prioritarias o identifican problemas recurrentes
• Aplicaciones en sectores de ciencia de datos y analítica que requieren extracción y organización de datos a gran escala, o identificación de temas y tendencias comunes
• Optimizar motores de búsqueda y recomendación usando etiquetas relacionadas con clasificaciones de entidades, y mejorar la experiencia del usuario
• Transformar datos no estructurados en información cuantitativa y significativa

Keyword Extraction

Keyword Extraction es una técnica de análisis de texto que implica extraer términos importantes y relevantes de un fragmento de texto, proporcionando una abstracción del texto completo. También funciona según los principios de minería de texto, recuperación de información y procesamiento de lenguaje natural.

Keyword Extraction es similar a otras funcionalidades de Text Analytics en las áreas de análisis del lenguaje humano y desarrollo de precisión con más entrenamiento usando conjuntos de datos ricos. Utiliza desde enfoques estadísticos simples como frecuencias de palabras y colocaciones hasta enfoques avanzados de machine learning.

Zia Keyword Extraction agrupa los términos extraídos en dos categorías: Keywords y Keyphrases. Estos aspectos destacados entregan un resumen conciso del texto y proporcionan información valiosa sobre su tema.

Zia Keyword Extraction devuelve la respuesta en el mismo formato al probarlo en la consola o a través de la API. Tanto la respuesta visual como la JSON contienen un array de Keywords y otro array de Keyphrases, que incluyen los términos extraídos en ellos. No se devuelve una puntuación de confianza para esta funcionalidad.

Casos de Uso

Keyword Extraction es una funcionalidad altamente útil si deseas revisar rápidamente contenido textual extenso y obtener solo la información esencial y los elementos de acción. Te permite identificar el tema y la esencia del texto de un vistazo y ahorrar tiempo valioso.

Keyword Extraction se puede usar para los siguientes propósitos:

• Implementación en bibliotecas en línea que devuelven aspectos destacados clave de los materiales de lectura como resultados de búsqueda
• Automatizar la recuperación, indexación y organización de datos en grandes conjuntos de datos como foros en línea, comentarios de clientes, informes de noticias y más
• Consultar la presencia de palabras clave y frases clave particulares del material extraído, y realizar las acciones necesarias en consecuencia
• Implementación en aplicaciones que realizan análisis en tiempo real y generan respuestas automatizadas basadas en los términos clave extraídos
• Obtener conocimientos rápidos y en profundidad de una gran cantidad de materiales fuente, y ahorrar esfuerzos y tiempo en investigación y procesamiento manual
• Reducir inconsistencias en la recuperación manual de información, ya que Keyword Extraction funciona con parámetros predefinidos