Amazon Comprehend Targeted Sentiment fügt synchrone Unterstützung hinzu

Früher in diesem Jahr, Amazon verstehen, ein Dienst zur Verarbeitung natürlicher Sprache (NLP), der maschinelles Lernen (ML) verwendet, um Erkenntnisse aus Text zu gewinnen, hat die Funktion Targeted Sentiment eingeführt. Mit Targeted Sentiment können Sie Gruppen von Erwähnungen (Co-Referenzgruppen) identifizieren, die einer einzelnen realen Entität oder einem Attribut entsprechen, die mit jeder Entitätserwähnung verbundene Stimmung bereitstellen und die Klassifizierung der realen Entität basierend auf a anbieten vordefinierte Liste von Entitäten.

Wir freuen uns, heute die neue synchrone API für gezielte Stimmungen in Amazon Comprehend ankündigen zu können, die ein detailliertes Verständnis der Stimmungen bietet, die mit bestimmten Entitäten in Eingabedokumenten verbunden sind.

In diesem Beitrag geben wir einen Überblick darüber, wie Sie mit der synchronen API von Amazon Comprehend Targeted Sentiment beginnen können, gehen durch die Ausgabestruktur und diskutieren drei separate Anwendungsfälle.

Gezielte Sentiment-Anwendungsfälle

Die zielgerichtete Stimmungsanalyse in Echtzeit in Amazon Comprehend verfügt über mehrere Anwendungen, um genaue und skalierbare Marken- und Wettbewerbseinblicke zu ermöglichen. Sie können die gezielte Stimmung für geschäftskritische Prozesse wie Live-Marktforschung, die Erzeugung von Markenerlebnissen und die Verbesserung der Kundenzufriedenheit verwenden.

Das Folgende ist ein Beispiel für die Verwendung gezielter Stimmungen für eine Filmkritik.

„Film“ ist die primäre Entität, die als Typ identifiziert wird movie, und wird noch zweimal als „Film“ und das Pronomen „es“ erwähnt. Die Targeted Sentiment API stellt die Stimmung gegenüber jeder Entität bereit. Grün steht für eine positive Stimmung, Rot für negativ und Blau für neutral.

Die traditionelle Analyse liefert die Stimmung des Gesamttextes, der in diesem Fall gemischt ist. Mit zielgerichteter Stimmung erhalten Sie detailliertere Einblicke. In diesem Szenario ist die Stimmung gegenüber dem Film sowohl positiv als auch negativ: positiv in Bezug auf die Schauspieler, aber negativ in Bezug auf die Gesamtqualität. Dies kann dem Filmteam gezieltes Feedback geben, etwa um mehr Sorgfalt beim Drehbuchschreiben zu üben, aber die Schauspieler für zukünftige Rollen zu berücksichtigen.

Die wichtigsten Anwendungen der Echtzeit-Stimmungsanalyse sind je nach Branche unterschiedlich. Es umfasst das Extrahieren von Marketing- und Kundenerkenntnissen aus Live-Social-Media-Feeds, Videos, Live-Events oder Sendungen, das Verstehen von Emotionen zu Forschungszwecken oder das Abschrecken von Cybermobbing. Eine synchrone, zielgerichtete Stimmung steigert den Geschäftswert, indem sie innerhalb von Sekunden Echtzeit-Feedback liefert, sodass Sie Entscheidungen in Echtzeit treffen können.

Werfen wir einen genaueren Blick auf diese verschiedenen zielgerichteten Echtzeit-Stimmungsanalyseanwendungen und wie verschiedene Branchen sie verwenden können:

• Szenario 1 – Opinion Mining von Finanzdokumenten, um die Stimmung gegenüber einer Aktie, Person oder Organisation zu bestimmen
• Szenario 2 – Echtzeit-Callcenter-Analysen zur Ermittlung der granularen Stimmung in Kundeninteraktionen
• Szenario 3 – Überwachung von Organisations- oder Produkt-Feedback über soziale Medien und digitale Kanäle und Bereitstellung von Support und Lösungen in Echtzeit

In den folgenden Abschnitten gehen wir detaillierter auf jeden Anwendungsfall ein.

Szenario 1: Gewinnung von Finanzmeinungen und Generierung von Handelssignalen

Die Stimmungsanalyse ist für Market Maker und Investmentfirmen beim Aufbau von Handelsstrategien von entscheidender Bedeutung. Die Bestimmung der granularen Stimmung kann Händlern dabei helfen, abzuleiten, welche Reaktion der Markt auf globale Ereignisse, Geschäftsentscheidungen, Einzelpersonen und die Richtung der Branche haben könnte. Diese Stimmung kann ein entscheidender Faktor für den Kauf oder Verkauf einer Aktie oder eines Rohstoffs sein.

Um zu sehen, wie wir die Targeted Sentiment API in diesen Szenarien verwenden können, schauen wir uns eine Erklärung des Vorsitzenden der US-Notenbank, Jerome Powell, zur Inflation an.

Wie wir im Beispiel sehen können, kann das Verständnis der Inflationsstimmung eine Kauf- oder Verkaufsentscheidung beeinflussen. In diesem Szenario kann aus der Targeted Sentiment API gefolgert werden, dass die Meinung von Chair Powell zur Inflation negativ ist, und dies wird höchstwahrscheinlich dazu führen, dass höhere Zinsen das Wirtschaftswachstum bremsen. Für die meisten Händler könnte dies zu einer Verkaufsentscheidung führen. Die Targeted Sentiment API kann Händlern schnellere und detailliertere Einblicke liefern als eine herkömmliche Dokumentenprüfung, und in einer Branche, in der Geschwindigkeit entscheidend ist, kann sie zu einem erheblichen Geschäftswert führen.

Das Folgende ist eine Referenzarchitektur für die Verwendung gezielter Stimmungen in Szenarios zur Gewinnung von Finanzmeinungen und zur Generierung von Handelssignalen.

Szenario 2: Echtzeit-Contact-Center-Analyse

Ein positives Contact Center-Erlebnis ist entscheidend für die Bereitstellung eines starken Kundenerlebnisses. Um positive und produktive Erfahrungen zu gewährleisten, können Sie Stimmungsanalysen implementieren, um Kundenreaktionen, die sich ändernde Kundenstimmung während der Dauer der Interaktion und die Effektivität von Contact Center-Workflows und Mitarbeiterschulungen zu messen. Mit der Targeted Sentiment API erhalten Sie granulare Informationen innerhalb Ihrer Contact Center-Stimmungsanalyse. Wir können nicht nur die Stimmung der Interaktion bestimmen, sondern jetzt auch sehen, was die negative oder positive Reaktion verursacht hat, und die entsprechenden Maßnahmen ergreifen.

Wir demonstrieren dies anhand der folgenden Transkripte eines Kunden, der einen defekten Toaster zurücksendet. Für dieses Beispiel zeigen wir Beispielaussagen, die der Kunde macht.

Wie wir sehen können, beginnt das Gespräch ziemlich negativ. Mit der Targeted Sentiment API sind wir in der Lage, die Grundursache der negativen Stimmung zu ermitteln und zu erkennen, dass es sich um einen nicht funktionierenden Toaster handelt. Wir können diese Informationen verwenden, um bestimmte Workflows auszuführen oder an verschiedene Abteilungen weiterzuleiten.

Durch das Gespräch können wir auch sehen, dass der Kunde für das Angebot einer Geschenkkarte nicht empfänglich war. Wir können diese Informationen verwenden, um das Agententraining zu verbessern, neu zu bewerten, ob wir das Thema in diesen Szenarien überhaupt ansprechen sollten, oder entscheiden, ob diese Frage nur mit einer neutraleren oder positiveren Einstellung gestellt werden sollte.

Schließlich können wir feststellen, dass der Service, der vom Agenten erbracht wurde, positiv aufgenommen wurde, obwohl sich der Kunde immer noch über den Toaster ärgerte. Wir können diese Informationen verwenden, um die Agentenschulung zu validieren und eine starke Agentenleistung zu belohnen.

Das Folgende ist eine Referenzarchitektur, die gezielte Stimmungen in Echtzeit-Contact-Center-Analysen integriert.

Szenario 3: Überwachung von Social Media auf Kundenstimmung

Die Rezeption sozialer Medien kann ein entscheidender Faktor für das Produkt- und Unternehmenswachstum sein. Das Verfolgen, wie Kunden auf Unternehmensentscheidungen, Produkteinführungen oder Marketingkampagnen reagieren, ist entscheidend für die Bestimmung der Effektivität.

Wir können zeigen, wie die Targeted Sentiment API in diesem Szenario verwendet wird, indem wir Twitter-Bewertungen eines neuen Kopfhörers verwenden.

In diesem Beispiel gibt es gemischte Reaktionen auf die Einführung der Kopfhörer, aber es gibt ein durchgehendes Thema, dass die Klangqualität schlecht ist. Unternehmen können diese Informationen verwenden, um zu sehen, wie Benutzer auf bestimmte Attribute reagieren, und um zu sehen, wo Produktverbesserungen in zukünftigen Iterationen vorgenommen werden sollten.

Das Folgende ist eine Referenzarchitektur, die die Targeted Sentiment API für die Stimmungsanalyse in sozialen Medien verwendet.

Beginnen Sie mit Targeted Sentiment

Führen Sie die folgenden Schritte aus, um die gezielte Stimmung in der Amazon Comprehend-Konsole zu verwenden:

1. Wählen Sie in der Amazon Comprehend-Konsole aus Starten Sie Amazon Comprehend.
   
2. Aussichten für Eingabetext, geben Sie einen beliebigen Text ein, den Sie analysieren möchten.
3. Auswählen Analysieren.
   

Nachdem das Dokument analysiert wurde, kann die Ausgabe der Targeted Sentiment API auf der gefunden werden Gezielte Stimmung Registerkarte in der Blog Sektion. Hier sehen Sie den analysierten Text, die jeweilige Stimmung jeder Entität und die Referenzgruppe, der sie zugeordnet ist.

Im Anwendungsintegration Abschnitt finden Sie die Anfrage und Antwort für den analysierten Text.

Verwenden Sie Targeted Sentiment programmatisch

Um programmgesteuert mit der synchronen API zu beginnen, haben Sie zwei Möglichkeiten:

• erkennen-gezielte-Stimmung – Diese API liefert die gezielte Stimmung für ein einzelnes Textdokument
• Batch-Detect-Targeted-Sentiment – Diese API liefert die gezielte Stimmung für eine Liste von Dokumenten

Sie können mit der API mit interagieren AWS-Befehlszeilenschnittstelle (AWS CLI) oder über das AWS SDK. Bevor wir beginnen, stellen Sie sicher, dass Sie die AWS CLI konfiguriert haben und über die erforderlichen Berechtigungen zur Interaktion mit Amazon Comprehend verfügen.

Die synchrone Targeted Sentiment API erfordert die Übergabe von zwei Anforderungsparametern:

• Sprachcode – Die Sprache des Textes
• Texte bzw TextList – Der UTF-8-Text, der verarbeitet wird

Der folgende Code ist ein Beispiel für die detect-targeted-sentiment API:

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

Nachfolgend ein Beispiel für die batch-detect-targeted-sentiment API:

{

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

}

Sehen wir uns nun einige Beispiele für AWS CLI-Befehle an.

Der folgende Code ist ein Beispiel für die 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

Nachfolgend ein Beispiel für die 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

Das Folgende ist ein Beispiel für einen Boto3-SDK-API-Aufruf:

import boto3
import subprocess

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

Das Folgende ist ein Beispiel für die detect-targeted-sentiment API:

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

Das Folgende ist ein Beispiel für die 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"]
)

Weitere Einzelheiten zur API-Syntax finden Sie unter Amazon Comprehend-Entwicklerhandbuch.

API-Antwortstruktur

Die Targeted Sentiment API bietet eine einfache Möglichkeit, die Ausgabe Ihrer Jobs zu nutzen. Es bietet eine logische Gruppierung der erkannten Entitäten (Entitätsgruppen) zusammen mit der Stimmung für jede Entität. Im Folgenden finden Sie einige Definitionen der Felder in der Antwort:

• Entities – Die wesentlichen Teile des Dokuments. Zum Beispiel, Person, Place, Date, Food, oder Taste.
• Erwähnungen – Die Referenzen oder Erwähnungen der Entität im Dokument. Dies können Pronomen oder gebräuchliche Substantive wie „es“, „ihn“, „Buch“ usw. sein. Diese sind im Dokument nach Position (Offset) geordnet.
• BeschreibenderErwähnungsindex – Der Index in Mentions die die Unternehmensgruppe am besten darstellt. Zum Beispiel „ABC Hotel“ anstelle von „Hotel“, „it“ oder andere gebräuchliche Substantiverwähnungen.
• Gruppenpunktzahl – Das Vertrauen, dass alle in der Gruppe erwähnten Entitäten mit derselben Entität verbunden sind (wie „ich“, „ich“ und „ich“ beziehen sich auf eine Person).
• Text – Der Text im Dokument, der die Entität darstellt.
• Typ – Eine Beschreibung dessen, was die Entität darstellt.
• Score – Das Modellvertrauen, dass es sich um eine relevante Einheit handelt.
• ErwähnungGefühl – Die tatsächlich für die Erwähnung gefundene Stimmung.
• Gefühl – Der Zeichenfolgenwert positiv, neutral, negativ oder gemischt.
• SentimentScore – Das Modellvertrauen für jede mögliche Stimmung.
• BeginOffset – Der Offset in den Dokumenttext, wo die Erwähnung beginnt.
• EndOffset – Die Verschiebung in den Dokumententext, wo die Erwähnung endet.

Eine genauere Aufschlüsselung finden Sie unter Extrahieren Sie mit Amazon Comprehend Targeted Sentiment detaillierte Stimmungen im Text or Organisation der Ausgabedatei.

Zusammenfassung

Die Sentiment-Analyse bleibt für Unternehmen aus einer Vielzahl von Gründen von entscheidender Bedeutung – von der Verfolgung der Kundenstimmung im Laufe der Zeit für Unternehmen über die Feststellung, ob ein Produkt gemocht oder nicht gemocht wird, bis hin zum Verständnis der Meinungen von Benutzern eines sozialen Netzwerks zu bestimmten Themen oder sogar zur Vorhersage der Ergebnisse von Kampagnen. Gezielte Stimmungen in Echtzeit können für Unternehmen effektiv sein, da sie es ihnen ermöglichen, über die allgemeine Stimmungsanalyse hinauszugehen und Erkenntnisse zu gewinnen, um Kundenerlebnisse mit Amazon Comprehend zu verbessern.

Weitere Informationen zu Targeted Sentiment für Amazon Comprehend finden Sie unter Gezielte Stimmung.

Über die Autoren

Raj Pathak ist Lösungsarchitekt und technischer Berater für Fortune-50- und mittelständische FSI-Kunden (Banken, Versicherungen, Kapitalmärkte) in Kanada und den Vereinigten Staaten. Raj ist spezialisiert auf maschinelles Lernen mit Anwendungen in den Bereichen Dokumentenextraktion, Contact Center Transformation und Computer Vision.

Wrick Talukdar ist Senior Architect im Amazon Comprehend Service Team. Er arbeitet mit AWS-Kunden zusammen, um ihnen dabei zu helfen, maschinelles Lernen in großem Umfang einzuführen. Außerhalb der Arbeit liest und fotografiert er gerne.