تضيف Amazon Comprehend Targeted Sentiment دعمًا متزامنًا

في وقت سابق من هذا العام، فهم الأمازون، خدمة معالجة اللغة الطبيعية (NLP) التي تستخدم التعلم الآلي (ML) لاكتشاف الرؤى من النص ، أطلقت ميزة المشاعر المستهدفة. باستخدام المشاعر المستهدفة ، يمكنك تحديد مجموعات الإشارات (مجموعات المرجع المشترك) المطابقة لكيان أو سمة واحدة في العالم الحقيقي ، وتوفير الشعور المرتبط بكل كيان مذكور ، وتقديم تصنيف للكيان الواقعي بناءً على قائمة محددة سلفا من الكيانات.

اليوم ، يسعدنا الإعلان عن واجهة برمجة التطبيقات المتزامنة الجديدة للمشاعر المستهدفة في Amazon Comprehend ، والتي توفر فهمًا دقيقًا للمشاعر المرتبطة بكيانات معينة في مستندات الإدخال.

في هذا المنشور ، نقدم نظرة عامة حول كيفية بدء استخدام واجهة برمجة تطبيقات Amazon Comprehend Targeted Sentiment المتزامنة ، وتصفح بنية الإخراج ، ومناقشة ثلاث حالات استخدام منفصلة.

حالات استخدام المشاعر المستهدفة

يحتوي تحليل المشاعر المستهدفة في الوقت الفعلي في Amazon Comprehend على العديد من التطبيقات لتمكين رؤى دقيقة وقابلة للتطوير للعلامة التجارية والمنافسين. يمكنك استخدام المشاعر المستهدفة للعمليات الحيوية للأعمال مثل أبحاث السوق الحية ، وإنتاج تجربة العلامة التجارية ، وتحسين رضا العملاء.

فيما يلي مثال على استخدام المشاعر المستهدفة لمراجعة الفيلم.

"الفيلم" هو الكيان الأساسي المحدد كنوع movie، ويذكر مرتين أخريين كـ "فيلم" والضمير "هو". توفر واجهة برمجة تطبيقات المشاعر المستهدفة المشاعر تجاه كل كيان. يشير اللون الأخضر إلى المشاعر الإيجابية ، والأحمر يشير إلى المشاعر السلبية ، والأزرق إلى المشاعر المحايدة.

يوفر التحليل التقليدي الشعور بالنص العام ، والذي يكون في هذه الحالة مختلطًا. باستخدام المشاعر المستهدفة ، يمكنك الحصول على المزيد من الأفكار الدقيقة. في هذا السيناريو ، تكون المشاعر تجاه الفيلم إيجابية وسلبية: إيجابية فيما يتعلق بالممثلين ، ولكنها سلبية فيما يتعلق بالجودة الإجمالية. يمكن أن يوفر ذلك ملاحظات مستهدفة لفريق الفيلم ، مثل ممارسة مزيد من الاجتهاد في كتابة السيناريو ، ولكن للنظر في الممثلين للأدوار المستقبلية.

ستختلف التطبيقات البارزة لتحليل المشاعر في الوقت الفعلي باختلاف الصناعات. ويشمل ذلك استخراج رؤى التسويق والعملاء من موجزات الوسائط الاجتماعية الحية أو مقاطع الفيديو أو الأحداث المباشرة أو عمليات البث ، أو فهم المشاعر لأغراض البحث ، أو ردع التسلط عبر الإنترنت. تعمل المشاعر المستهدفة المتزامنة على زيادة قيمة الأعمال من خلال توفير ملاحظات في الوقت الفعلي في غضون ثوانٍ حتى تتمكن من اتخاذ القرارات في الوقت الفعلي.

دعنا نلقي نظرة فاحصة على هذه التطبيقات المتنوعة لتحليل المشاعر المستهدفة في الوقت الفعلي وكيف يمكن للصناعات المختلفة استخدامها:

• السيناريو شنومكس - التنقيب عن الرأي في المستندات المالية لتحديد الانطباع تجاه سهم أو شخص أو مؤسسة
• السيناريو شنومكس - تحليلات مركز الاتصال في الوقت الفعلي لتحديد المشاعر الدقيقة في تفاعلات العملاء
• السيناريو شنومكس - مراقبة تعليقات المنظمة أو المنتج عبر وسائل التواصل الاجتماعي والقنوات الرقمية ، وتقديم الدعم والقرارات في الوقت الفعلي

في الأقسام التالية ، نناقش كل حالة استخدام بمزيد من التفصيل.

السيناريو 1: التنقيب عن الرأي المالي وتوليد إشارات التداول

يعد تحليل المشاعر أمرًا بالغ الأهمية لصناع السوق وشركات الاستثمار عند بناء استراتيجيات التداول. يمكن أن يساعد تحديد المشاعر الدقيقة المتداولين في استنتاج رد فعل السوق تجاه الأحداث العالمية وقرارات العمل والأفراد واتجاه الصناعة. يمكن أن يكون هذا الشعور عاملاً محددًا بشأن شراء أو بيع سهم أو سلعة.

لمعرفة كيف يمكننا استخدام واجهة برمجة تطبيقات المشاعر المستهدفة في هذه السيناريوهات ، دعنا نلقي نظرة على بيان من رئيس الاحتياطي الفيدرالي جيروم باول بشأن التضخم.

كما نرى في المثال ، فإن فهم الشعور بالتضخم يمكن أن يوجه قرار الشراء أو البيع. في هذا السيناريو ، يمكن الاستدلال من واجهة برمجة تطبيقات المشاعر المستهدفة على أن رأي الرئيس باول بشأن التضخم سلبي ، ومن المرجح أن يؤدي هذا إلى ارتفاع أسعار الفائدة مما يؤدي إلى تباطؤ النمو الاقتصادي. بالنسبة لمعظم المتداولين ، قد يؤدي هذا إلى قرار بيع. يمكن أن توفر واجهة برمجة تطبيقات المعنويات المستهدفة للمتداولين رؤى أسرع وأكثر دقة من مراجعة المستندات التقليدية ، وفي صناعة تكون فيها السرعة أمرًا بالغ الأهمية ، يمكن أن تؤدي إلى قيمة تجارية كبيرة.

فيما يلي بنية مرجعية لاستخدام المشاعر المستهدفة في سيناريوهات التنقيب عن الرأي المالي وتوليد إشارات التداول.

السيناريو 2: تحليل مركز الاتصال في الوقت الفعلي

تعد تجربة مركز الاتصال الإيجابية أمرًا بالغ الأهمية في تقديم تجربة عملاء قوية. للمساعدة في ضمان التجارب الإيجابية والإنتاجية ، يمكنك تنفيذ تحليل المشاعر لقياس ردود فعل العملاء ، وتغير الحالة المزاجية للعميل خلال مدة التفاعل ، وفعالية تدفقات عمل مركز الاتصال وتدريب الموظفين. باستخدام Targeted Sentiment API ، يمكنك الحصول على معلومات دقيقة ضمن تحليل معنويات مركز الاتصال الخاص بك. لا يمكننا فقط تحديد شعور التفاعل ، ولكن يمكننا الآن معرفة سبب رد الفعل السلبي أو الإيجابي واتخاذ الإجراء المناسب.

نوضح ذلك من خلال النصوص التالية للعميل الذي يعيد محمصة معطلة. في هذا المثال ، نعرض نماذج من البيانات التي يقوم بها العميل.

كما نرى ، تبدأ المحادثة بشكل سلبي إلى حد ما. باستخدام واجهة برمجة تطبيقات المشاعر المستهدفة ، يمكننا تحديد السبب الجذري للمشاعر السلبية ونرى أنه يتعلق بمحمصة معطلة. يمكننا استخدام هذه المعلومات لتشغيل مهام سير عمل معينة ، أو التوجيه إلى أقسام مختلفة.

من خلال المحادثة ، يمكننا أيضًا أن نرى أن العميل لم يتقبل عرض بطاقة الهدايا. يمكننا استخدام هذه المعلومات لتحسين تدريب الوكلاء ، أو إعادة تقييم ما إذا كان يجب طرح الموضوع في هذه السيناريوهات ، أو تحديد ما إذا كان يجب طرح هذا السؤال فقط بمشاعر أكثر حيادية أو إيجابية.

أخيرًا ، يمكننا أن نرى أن الخدمة التي قدمها الوكيل قد تم تلقيها بشكل إيجابي على الرغم من أن العميل لا يزال مستاءً بشأن المحمصة. يمكننا استخدام هذه المعلومات للتحقق من صحة تدريب الوكلاء ومكافأة الأداء القوي للوكيل.

فيما يلي بنية مرجعية تدمج المشاعر المستهدفة في تحليلات مركز الاتصال في الوقت الفعلي.

السيناريو 3: مراقبة وسائل التواصل الاجتماعي لمعرفة مشاعر العملاء

يمكن أن يكون استقبال وسائل التواصل الاجتماعي عاملاً حاسماً في نمو المنتج والتنظيم. يعد تتبع كيفية تفاعل العملاء مع قرارات الشركة أو إطلاق المنتجات أو الحملات التسويقية أمرًا بالغ الأهمية في تحديد الفعالية.

يمكننا توضيح كيفية استخدام Targeted Sentiment API في هذا السيناريو باستخدام مراجعات Twitter لمجموعة جديدة من سماعات الرأس.

في هذا المثال ، توجد ردود فعل متباينة على إطلاق سماعات الرأس ، ولكن هناك سمة ثابتة لسوء جودة الصوت. يمكن للشركات استخدام هذه المعلومات لمعرفة كيفية تفاعل المستخدمين مع سمات معينة ومعرفة أين يجب إجراء تحسينات على المنتج في التكرارات المستقبلية.

فيما يلي بنية مرجعية تستخدم واجهة برمجة تطبيقات المعنويات المستهدفة لتحليل مشاعر وسائل التواصل الاجتماعي.

ابدأ مع المشاعر المستهدفة

لاستخدام المشاعر المستهدفة على وحدة تحكم Amazon Comprehend ، أكمل الخطوات التالية:

1. في وحدة تحكم Amazon Comprehend ، اختر قم بتشغيل Amazon Comprehend.
   
2. في حالة أدخل نصآ، أدخل أي نص تريد تحليله.
3. اختار حلل.
   

بعد تحليل المستند ، يمكن العثور على ناتج واجهة برمجة تطبيقات المشاعر المستهدفة على المشاعر المستهدفة في علامة التبويب رؤيه الجزء. هنا يمكنك رؤية النص الذي تم تحليله ، والمشاعر الخاصة بكل كيان ، والمجموعة المرجعية المرتبطة بها.

في مجلة تكامل التطبيق في القسم ، يمكنك العثور على الطلب والرد على النص الذي تم تحليله.

استخدام المشاعر المستهدفة برمجيًا

لبدء استخدام واجهة برمجة التطبيقات المتزامنة برمجيًا ، لديك خياران:

• كشف المشاعر المستهدفة - توفر واجهة برمجة التطبيقات هذه المشاعر المستهدفة لمستند نصي واحد
• دفعة كشف المشاعر المستهدفة - توفر واجهة برمجة التطبيقات هذه المشاعر المستهدفة لقائمة من المستندات

يمكنك التفاعل مع API باستخدام ملف واجهة سطر الأوامر AWS (AWS CLI) أو من خلال AWS SDK. قبل أن نبدأ ، تأكد من تكوين AWS CLI ، ولديك الأذونات المطلوبة للتفاعل مع Amazon Comprehend.

تتطلب واجهة برمجة التطبيقات المتزامنة للمشاعر المستهدفة تمرير معلمتين للطلب:

• رمز اللغة - لغة النص
• نص أو قائمة النص - نص UTF-8 الذي تتم معالجته

الكود التالي هو مثال على detect-targeted-sentiment API:

{
"LanguageCode": "string", 
"Text": "string"
}

ما يلي هو مثال على batch-detect-targeted-sentiment API:

{

"LanguageCode": "string", 
"TextList": ["string"]

}

لنلقِ الآن نظرة على بعض أوامر AWS CLI النموذجية.

الكود التالي هو مثال على detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
detect-targeted-sentiment  
--text "I like the burger but service was bad" 
--language-code en

ما يلي هو مثال على batch-detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
batch-detect-targeted-sentiment 
--text-list "We loved the Seashore Hotel! It was clean and the staff was friendly. However, the Seashore was a little too noisy at night." "I like the burger but service is bad" 
--language-code en

فيما يلي نموذج لاستدعاء Boto3 SDK API:

import boto3
import subprocess

session = boto3.Session()
comprehend_client = session.client(service_name='comprehend', region_name='us-east-2')

فيما يلي مثال على detect-targeted-sentiment API:

response = comprehend_client.detect_targeted_sentiment(
LanguageCode='en',
Text = "I like the burger but service was bad"
)
print(response)

فيما يلي مثال على batch-detect-targeted-sentiment API:

response = comprehend_client.batch_detect_targeted_sentiment(
    LanguageCode='en',
    TextList = ["I like the burger but service was bad","The staff was really sweet though"]
)

لمزيد من التفاصيل حول بناء جملة API ، راجع ملف دليل مطور Amazon Comprehend.

هيكل استجابة API

توفر واجهة برمجة تطبيقات المعنويات المستهدفة طريقة بسيطة لاستهلاك مخرجات وظائفك. يوفر تجميعًا منطقيًا للكيانات (مجموعات الكيانات) المكتشفة ، جنبًا إلى جنب مع المشاعر لكل كيان. فيما يلي بعض تعريفات الحقول الموجودة في الاستجابة:

• الكيانات - الأجزاء الهامة من الوثيقة. علي سبيل المثال، Person, Place, Date, Foodالطرق أو Taste.
• الاشارات - مراجع أو إشارات الكيان في المستند. يمكن أن تكون هذه الضمائر أو الأسماء الشائعة مثل "هو" و "هو" و "كتاب" وما إلى ذلك. يتم تنظيمها بالترتيب حسب الموقع (الإزاحة) في المستند.
• الوصف الوصفي الفهرس - الفهرس في Mentions الذي يعطي أفضل تصوير لمجموعة الكيانات. على سبيل المثال ، "ABC Hotel" بدلاً من "hotel" أو "it" أو أي اسم شائع آخر.
• GroupScore - الثقة في أن جميع الكيانات المذكورة في المجموعة مرتبطة بنفس الكيان (مثل "أنا" و "أنا" و "أنا" تشير إلى شخص واحد).
• نص - النص الموجود في المستند الذي يصور الكيان.
• النوع - وصف لما يصوره الكيان.
• العلامة - ثقة النموذج في أن هذا كيان ذو صلة.
• اذكر المشاعر - المعنى الفعلي الذي وجد للإشارة.
• عاطفة - قيمة السلسلة موجبة أو محايدة أو سلبية أو مختلطة.
• المشاعر - نموذج الثقة لكل عاطفة ممكنة.
• بداية الإزاحة - الإزاحة في نص المستند حيث تبدأ الإشارة.
• إزاحة النهاية - الإزاحة في نص المستند حيث تنتهي الإشارة.

للحصول على تفاصيل أكثر تفصيلاً ، يرجى الرجوع إلى استخرج المشاعر الدقيقة في النص باستخدام Amazon Comprehend Targeted Sentiment or تنظيم ملف الإخراج.

وفي الختام

يظل تحليل المشاعر أمرًا بالغ الأهمية بالنسبة للمؤسسات لعدد لا يحصى من الأسباب - بدءًا من تتبع مشاعر العملاء مع مرور الوقت للشركات ، إلى استنتاج ما إذا كان المنتج محبوبًا أو غير مرغوب فيه ، أو فهم آراء مستخدمي شبكة اجتماعية تجاه موضوعات معينة ، أو حتى توقع نتائج الحملات. يمكن أن تكون المشاعر المستهدفة في الوقت الفعلي فعالة للشركات ، مما يسمح لها بتجاوز تحليل المشاعر العام لاستكشاف الأفكار لتعزيز تجارب العملاء باستخدام Amazon Comprehend.

لمعرفة المزيد حول المشاعر المستهدفة لخدمة Amazon Comprehend ، ارجع إلى المشاعر المستهدفة.

عن المؤلفين

راج باتاك مهندس حلول ومستشار تقني لعملاء Fortune 50 ومتوسطي الحجم FSI (البنوك والتأمين وأسواق رأس المال) في جميع أنحاء كندا والولايات المتحدة. راج متخصص في التعلم الآلي مع تطبيقات في استخراج المستندات وتحويل مركز الاتصال ورؤية الكمبيوتر.

ويريك تالوكدار هو مهندس معماري أول مع فريق Amazon Comprehend Service. إنه يعمل مع عملاء AWS لمساعدتهم على تبني التعلم الآلي على نطاق واسع. خارج العمل ، يستمتع بالقراءة والتصوير.