MoyenneChoix unique

Question d'entraînement AI-900

Un service client souhaite extraire automatiquement les noms de produits mentionnés dans les e-mails des clients ainsi que le sentiment exprimé pour chaque produit. Par exemple, à partir de la phrase 'The battery life of the X100 is excellent, but the screen is too dark', ils doivent identifier 'X100' et associer un sentiment 'positive' à 'battery life' et un sentiment 'negative' à 'screen'. Quelle fonctionnalité d'Azure AI Language doivent-ils utiliser ?

Choisissez la meilleure réponse.

Bonne réponse

  • DSentiment analysis with opinion mining

Explication

Sentiment analysis with opinion mining est spécifiquement conçue pour extraire à la fois le sentiment (positif, négatif, neutre) et la cible associée (par exemple, 'battery life', 'screen') à partir du texte. Cette fonctionnalité va au-delà de la simple notation de sentiment en identifiant la cible de l'opinion et le sentiment exprimé à son égard, ce qui correspond directement à l'exigence d'extraire les noms de produits et leurs sentiments associés à partir des e-mails des clients.

Pourquoi chaque option est juste ou fausse

A

Fausse

Custom text classification

Custom text classification attribue des documents entiers ou des segments à des étiquettes définies par l'utilisateur ; elle n'extrait pas d'entités de produits et n'associe pas de sentiment par aspect. Elle est tentante car elle peut être entraînée sur des catégories spécifiques à un domaine, et elle serait correcte lorsque l'exigence est d'acheminer les e-mails vers des catégories personnalisées telles qu'une réclamation ou une demande de remboursement plutôt que d'effectuer une extraction basée sur les aspects.

B

Fausse

Key phrase extraction

Key phrase extraction renvoie des syntagmes nominaux saillants sans les lier à des produits ni attribuer de polarité de sentiment. Elle est tentante car elle fait surface à des termes comme battery life et screen, et elle serait correcte lorsque l'exigence est simplement de résumer ce dont traite un document, et non d'associer un sentiment à chaque aspect de produit identifié.

C

Fausse

Entity linking

Entity linking résout chaque mention vers une entrée de base de connaissances telle qu'un article Wikipédia, de sorte qu'elle ne peut pas associer un sentiment par aspect à 'battery life' par rapport à 'screen'. Elle est tentante car elle identifie des entités, mais cela sert à lever l'ambiguïté des noms, et non à extraire des opinions. L'énoncé nécessite opinion mining avec une analyse de sentiment basée sur les aspects.

D

Juste

Sentiment analysis with opinion mining

Sentiment analysis with opinion mining renvoie à la fois le sentiment global du document et les paires spécifiques de cible et d'évaluation qu'il contient. Cette granularité lie 'X100' au sentiment positif de la batterie et 'screen' au sentiment négatif, ce qu'une analyse de sentiment simple au niveau de la phrase ne peut pas séparer.

Pour aller plus loin

Sentiment analysis with opinion mining, anciennement analyse des sentiments basée sur les aspects, va au-delà de la polarité au niveau du document en extrayant la cible de chaque opinion et son sentiment associé. Azure AI Language renvoie des cibles d'opinion telles que 'battery life' et 'screen' avec des scores de confiance et des polarités individuels, tandis que le document global peut être mitigé ou neutre. Une analyse de sentiment simple ne renverrait qu'une seule étiquette pour toute la phrase, perdant ainsi le contraste entre le commentaire positif sur la batterie et le commentaire négatif sur l'écran. Key phrase extraction renvoie des termes saillants sans polarité, entity linking résout les noms vers des entrées de base de connaissances et Custom text classification attribue des étiquettes définies par l'utilisateur à des documents entiers. Opinion mining est la seule option qui associe chaque attribut de produit à son propre sentiment.

À propos de ces questions d'entraînement

Cette question fait partie des questions d'entraînement AI-900 originales de Courseiva, rédigées pour apprendre et jamais copiées d'examens réels ou de dumps.

Traduite de l'original anglais avec l'IA et vérifiée pour le sens. Les codes d'examen, les commandes et les noms de produits sont conservés tels qu'ils apparaissent à l'examen.