Tidligere i år, Amazon Comprehend, en NLP-tjeneste (natural language processing), der bruger maskinlæring (ML) til at opdage indsigt fra tekst, lancerede funktionen Targeted Sentiment. Med Targeted Sentiment kan du identificere grupper af omtaler (co-reference-grupper), der svarer til en enkelt entitet eller egenskab i den virkelige verden, give den følelse, der er knyttet til hver enhedsomtale, og tilbyde klassificeringen af den virkelige entitet baseret på en forudbestemt liste over enheder.
I dag er vi glade for at kunne annoncere den nye synkrone API for målrettet stemning i Amazon Comprehend, som giver en detaljeret forståelse af de følelser, der er forbundet med specifikke enheder i inputdokumenter.
I dette indlæg giver vi et overblik over, hvordan du kan komme i gang med Amazon Comprehend Targeted Sentiment synchronous API, gennemgå outputstrukturen og diskutere tre separate use cases.
Målrettede tilfælde af brug af følelser
Målrettet sentimentanalyse i realtid i Amazon Comprehend har adskillige applikationer til at muliggøre nøjagtige og skalerbare brand- og konkurrentindsigter. Du kan bruge målrettet stemning til forretningskritiske processer såsom live markedsundersøgelser, produktion af brandoplevelse og forbedring af kundetilfredsheden.
Det følgende er et eksempel på brug af målrettet stemning til en filmanmeldelse.
"Film" er den primære enhed, identificeret som type movie
, og nævnes to gange mere som "film" og pronomenet "det". Targeted Sentiment API giver stemningen over for hver enhed. Grøn refererer til en positiv følelse, rød for negativ og blå for neutral.
Traditionel analyse giver følelsen af den overordnede tekst, som i dette tilfælde er blandet. Med målrettet stemning kan du få mere detaljeret indsigt. I dette scenarie er stemningen over for filmen både positiv og negativ: positiv i forhold til skuespillerne, men negativ i forhold til den overordnede kvalitet. Dette kan give målrettet feedback til filmholdet, såsom at udvise mere flid i manuskriptskrivning, men at overveje skuespillerne til fremtidige roller.
Fremtrædende anvendelser af sentimentanalyse i realtid vil variere på tværs af brancher. Det omfatter udvinding af marketing- og kundeindsigt fra livefeeds på sociale medier, videoer, livebegivenheder eller udsendelser, forståelse af følelser til forskningsformål eller afskrækkelse af cybermobning. Synkron målrettet stemning skaber forretningsværdi ved at give feedback i realtid inden for få sekunder, så du kan træffe beslutninger i realtid.
Lad os se nærmere på disse forskellige realtidsmålrettede sentimentanalyseapplikationer, og hvordan forskellige industrier kan bruge dem:
- Scenario 1 – Opinionsudvinding af finansielle dokumenter for at bestemme følelser over for en aktie, person eller organisation
- Scenario 2 – Callcenteranalyse i realtid til at bestemme detaljeret stemning i kundeinteraktioner
- Scenario 3 – Overvågning af organisations- eller produktfeedback på tværs af sociale medier og digitale kanaler og yde realtidssupport og løsninger
I de følgende afsnit diskuterer vi hvert use case mere detaljeret.
Scenarie 1: Udvinding af finansiel mening og generering af handelssignaler
Sentimentanalyse er afgørende for markedsskabere og investeringsselskaber, når de bygger handelsstrategier. Bestemmelse af granuleret stemning kan hjælpe handlende med at udlede, hvilken reaktion markedet kan have over for globale begivenheder, forretningsbeslutninger, enkeltpersoner og brancheretning. Denne følelse kan være en afgørende faktor for, om man skal købe eller sælge en aktie eller råvare.
For at se, hvordan vi kan bruge Targeted Sentiment API i disse scenarier, lad os se på en udtalelse fra Federal Reserve-formand Jerome Powell om inflation.
Som vi kan se i eksemplet, kan forståelsen af stemningen over for inflation informere en købs- eller salgsbeslutning. I dette scenarie kan det udledes af Targeted Sentiment API, at Chair Powells mening om inflation er negativ, og dette vil højst sandsynligt resultere i, at højere renter bremser den økonomiske vækst. For de fleste forhandlere kan dette resultere i en salgsbeslutning. Targeted Sentiment API kan give handlende hurtigere og mere detaljeret indsigt end en traditionel dokumentgennemgang, og i en branche, hvor hastighed er afgørende, kan det resultere i betydelig forretningsværdi.
Det følgende er en referencearkitektur til brug af målrettet sentiment i finansiel opinionsmining og scenarier for generering af handelssignaler.
Scenario 2: Kontaktcenteranalyse i realtid
En positiv kontaktcenteroplevelse er afgørende for at levere en stærk kundeoplevelse. For at hjælpe med at sikre positive og produktive oplevelser kan du implementere sentimentanalyse for at måle kundereaktioner, de skiftende kundestemninger gennem varigheden af interaktionen og effektiviteten af kontaktcenterarbejdsgange og medarbejdertræning. Med Targeted Sentiment API kan du få detaljerede oplysninger i dit kontaktcenters sentimentanalyse. Ikke alene kan vi bestemme følelsen af interaktionen, men nu kan vi se, hvad der forårsagede den negative eller positive reaktion og tage den passende handling.
Vi demonstrerer dette med følgende udskrifter af en kunde, der returnerer en defekt brødrister. For dette eksempel viser vi eksempler på erklæringer, som kunden laver.
Som vi kan se, starter samtalen ret negativt. Med Targeted Sentiment API er vi i stand til at bestemme årsagen til den negative følelse og se, at det drejer sig om en defekt brødrister. Vi kan bruge disse oplysninger til at køre bestemte arbejdsgange eller rute til forskellige afdelinger.
Gennem samtalen kan vi også se, at kunden ikke var modtagelig over for tilbuddet om et gavekort. Vi kan bruge disse oplysninger til at forbedre agenttræning, revurdere, om vi overhovedet skal bringe emnet op i disse scenarier, eller beslutte, om dette spørgsmål kun skal stilles med en mere neutral eller positiv følelse.
Endelig kan vi se, at den service, der blev leveret af agenten, blev modtaget positivt, selvom kunden stadig var ked af brødristeren. Vi kan bruge disse oplysninger til at validere agenttræning og belønne stærke agentpræstationer.
Det følgende er en referencearkitektur, der inkorporerer målrettet stemning i realtidskontaktcenteranalyser.
Scenario 3: Overvågning af sociale medier for kundetilfredshed
Modtagelse af sociale medier kan være en afgørende faktor for produkt- og organisationsvækst. Sporing af, hvordan kunder reagerer på virksomhedens beslutninger, produktlanceringer eller marketingkampagner er afgørende for at bestemme effektiviteten.
Vi kan demonstrere, hvordan man bruger Targeted Sentiment API i dette scenarie ved at bruge Twitter-anmeldelser af et nyt sæt hovedtelefoner.
I dette eksempel er der blandede reaktioner på lanceringen af hovedtelefonerne, men der er et gennemgående tema om, at lydkvaliteten er dårlig. Virksomheder kan bruge disse oplysninger til at se, hvordan brugere reagerer på bestemte egenskaber og se, hvor produktforbedringer bør foretages i fremtidige iterationer.
Følgende er en referencearkitektur, der bruger Targeted Sentiment API til analyse af følelser på sociale medier.
Kom i gang med målrettet stemning
For at bruge målrettet stemning på Amazon Comprehend-konsollen skal du udføre følgende trin:
- På Amazon Comprehend-konsollen skal du vælge Start Amazon Comprehend.
- Til Indtast tekst, skal du indtaste enhver tekst, du vil analysere.
- Vælg Analyser.
Efter at dokumentet er blevet analyseret, kan output fra Targeted Sentiment API findes på Målrettet stemning fane i Insights afsnit. Her kan du se den analyserede tekst, hver enheds respektive stemning og den referencegruppe, den er knyttet til.
I Applikationsintegration afsnittet, kan du finde anmodningen og svaret for den analyserede tekst.
Brug målrettet stemning programmæssigt
For at komme i gang med den synkrone API programmatisk har du to muligheder:
- opdage-målrettet-stemning – Denne API giver den målrettede stemning for et enkelt tekstdokument
- batch-detect-målrettet-sentiment – Denne API giver den målrettede stemning for en liste over dokumenter
Du kan interagere med API'et med AWS kommandolinjegrænseflade (AWS CLI) eller gennem AWS SDK. Før vi går i gang, skal du sørge for, at du har konfigureret AWS CLI og har de nødvendige tilladelser til at interagere med Amazon Comprehend.
Targeted Sentiment Synchronous API kræver, at to anmodningsparametre sendes:
- Sprogkode – Tekstens sprog
- SMS eller TextList – UTF-8-teksten, der behandles
Følgende kode er et eksempel på detect-targeted-sentiment
API'er:
Det følgende er et eksempel på batch-detect-targeted-sentiment
API'er:
Lad os nu se på nogle eksempler på AWS CLI-kommandoer.
Følgende kode er et eksempel på detect-targeted-sentiment
API'er:
Det følgende er et eksempel på batch-detect-targeted-sentiment
API'er:
Følgende er et eksempel på et Boto3 SDK API-kald:
Det følgende er et eksempel på detect-targeted-sentiment
API'er:
Det følgende er et eksempel på batch-detect-targeted-sentiment
API'er:
For flere detaljer om API-syntaksen henvises til Amazon Comprehend Developer Guide.
API-svarstruktur
Targeted Sentiment API giver en enkel måde at forbruge output fra dine job. Det giver en logisk gruppering af de entiteter (entitetsgrupper), der er fundet, sammen med stemningen for hver enhed. Følgende er nogle definitioner af de felter, der er i svaret:
- Enheder – De væsentlige dele af dokumentet. For eksempel,
Person
,Place
,Date
,Food
ellerTaste
. - Nævner – Referencerne eller omtalen af enheden i dokumentet. Disse kan være pronominer eller almindelige navneord som "det", "ham", "bog" og så videre. Disse er organiseret i rækkefølge efter placering (offset) i dokumentet.
- DescriptiveMentionIndex – Indekset i
Mentions
der giver den bedste skildring af enhedsgruppen. For eksempel nævner "ABC Hotel" i stedet for "hotel", "det" eller andre almindelige navneord. - GroupScore – Tilliden til, at alle de enheder, der er nævnt i gruppen, er relateret til den samme enhed (såsom "jeg", "mig" og "mig selv", der henviser til én person).
- tekst – Teksten i dokumentet, der afbilder enheden.
- Type – En beskrivelse af, hvad enheden afbilder.
- Score – Modellens tillid til, at dette er en relevant enhed.
- NævnSentiment – Den faktiske stemning fundet for omtalen.
- Sentiment – Strengværdien af positiv, neutral, negativ eller blandet.
- SentimentScore – Modeltilliden for hver mulig følelse.
- StartOffset – Forskydningen i dokumentteksten, hvor omtalen begynder.
- EndOffset – Forskydningen i dokumentteksten, hvor omtalen slutter.
For en mere detaljeret opdeling, se Uddrag granuleret følelse i tekst med Amazon Comprehend Targeted Sentiment or Organisering af outputfil.
Konklusion
Følelsesanalyse forbliver afgørende for organisationer af et utal af årsager – lige fra sporing af kundetilfredshed over tid for virksomheder, til at udlede, om et produkt kan lide eller ikke lide, til at forstå meninger fra brugere af et socialt netværk om bestemte emner eller endda forudsige resultaterne af kampagner. Målrettet stemning i realtid kan være effektiv for virksomheder, hvilket giver dem mulighed for at gå ud over den overordnede stemningsanalyse for at udforske indsigt for at fremme kundeoplevelser ved hjælp af Amazon Comprehend.
For at lære mere om Targeted Sentiment for Amazon Comprehend, se Målrettet stemning.
Om forfatterne
Raj Pathak er løsningsarkitekt og teknisk rådgiver for Fortune 50 og mellemstore FSI-kunder (Banking, Insurance, Capital Markets) i Canada og USA. Raj har specialiseret sig i Machine Learning med applikationer i Document Extraction, Contact Center Transformation og Computer Vision.
Wrick Talukdar er seniorarkitekt hos Amazon Comprehend Service-teamet. Han arbejder med AWS-kunder for at hjælpe dem med at indføre maskinlæring i stor skala. Uden for arbejdet holder han af at læse og fotografere.
- AI
- ai kunst
- ai kunst generator
- en robot
- Amazon Comprehend
- kunstig intelligens
- certificering af kunstig intelligens
- kunstig intelligens i banksektoren
- kunstig intelligens robot
- kunstig intelligens robotter
- software til kunstig intelligens
- AWS maskinindlæring
- blockchain
- blockchain konference ai
- coingenius
- samtale kunstig intelligens
- kryptokonference ai
- dalls
- dyb læring
- du har google
- Mellem (200)
- machine learning
- plato
- platon ai
- Platon Data Intelligence
- Platon spil
- PlatoData
- platogaming
- skala ai
- syntaks
- zephyrnet