MédiaMúltipla escolha

Questão de prática de AI-900

Um departamento de atendimento ao cliente deseja extrair automaticamente os nomes dos produtos mencionados em e-mails de clientes e o sentimento expresso sobre cada produto. Por exemplo, a partir da frase 'The battery life of the X100 is excellent, but the screen is too dark', eles precisam identificar 'X100' e associar um sentimento 'positive' a 'battery life' e um sentimento 'negative' a 'screen'. Qual recurso do Azure AI Language eles devem usar?

Escolha a melhor resposta.

Resposta correta

  • DSentiment analysis with opinion mining

Explicação

Sentiment analysis with opinion mining é projetado especificamente para extrair tanto o sentimento (positivo, negativo, neutro) quanto o alvo associado (por exemplo, 'battery life', 'screen') do texto. Esse recurso vai além da simples pontuação de sentimento ao identificar o alvo da opinião e o sentimento expresso em relação a ele, o que corresponde diretamente ao requisito de extrair os nomes dos produtos e seus sentimentos associados dos e-mails dos clientes.

Por que cada alternativa está certa ou errada

A

Incorreta

Custom text classification

Custom text classification atribui documentos inteiros ou trechos a rótulos definidos pelo usuário; ele não extrai entidades de produtos nem anexa sentimentos por aspecto. É tentador porque pode ser treinado em categorias específicas de domínio, e seria correto quando o requisito for o roteamento de e-mails para categorias personalizadas, como uma reclamação ou solicitação de reembolso, em vez de extração baseada em aspectos.

B

Incorreta

Key phrase extraction

Key phrase extraction retorna sintagmas nominais salientes sem vinculá-los a produtos ou atribuir polaridade de sentimento. É tentador porque traz à tona termos como battery life e screen, e seria correto quando o requisito for simplesmente resumir o que um documento discute, e não associar o sentimento a cada aspecto de produto identificado.

C

Incorreta

Entity linking

Entity linking resolve cada menção para uma entrada de base de conhecimento, como um artigo da Wikipédia, portanto, não pode anexar um sentimento por aspecto a 'battery life' versus 'screen'. É tentador porque identifica entidades, mas isso serve para desambiguar nomes, não para extrair opiniões. O enunciado precisa de opinion mining com análise de sentimentos baseada em aspectos.

D

Correta

Sentiment analysis with opinion mining

Sentiment analysis with opinion mining retorna tanto o sentimento geral do documento quanto os pares específicos de alvo e avaliação nele contidos. Essa granularidade vincula 'X100' ao sentimento positivo da bateria e 'screen' ao sentimento negativo, o que a análise de sentimentos simples no nível da frase não consegue separar.

Para se aprofundar

Sentiment analysis with opinion mining, anteriormente análise de sentimentos baseada em aspectos, vai além da polaridade em nível de documento ao extrair o alvo de cada opinião e seu sentimento associado. O Azure AI Language retorna alvos de opinião como 'battery life' e 'screen' com pontuações de confiança e polaridades individuais, enquanto o documento geral pode ser misto ou neutro. A análise de sentimentos simples retornaria apenas um rótulo para toda a frase, perdendo o contraste entre o comentário positivo da bateria e o comentário negativo da tela. Key phrase extraction retorna termos salientes sem polaridade, entity linking resolve nomes para entradas de base de conhecimento e Custom text classification atribui rótulos definidos pelo usuário a documentos inteiros. Opinion mining é a única opção que emparelha cada atributo de produto com seu próprio sentimento.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.