در اوایل سال جاری درک آمازون، یک سرویس پردازش زبان طبیعی (NLP) که از یادگیری ماشین (ML) برای کشف بینش از متن استفاده می کند، ویژگی احساسات هدفمند را راه اندازی کرد. با احساسات هدفمند، میتوانید گروههایی از نامها (گروههای مرجع مشترک) مربوط به یک موجودیت یا ویژگی در دنیای واقعی را شناسایی کنید، احساسات مرتبط با هر ذکر موجودیت را ارائه دهید، و طبقهبندی موجودیت دنیای واقعی را بر اساس لیست از پیش تعیین شده نهادها.
امروز، ما هیجانزدهایم که API همگام جدید را برای احساسات هدفمند در آمازون Comprehend معرفی کنیم، که درک کاملی از احساسات مرتبط با موجودیتهای خاص در اسناد ورودی ارائه میدهد.
در این پست، ما یک نمای کلی از نحوه شروع به کار با آمازون Comprehend Targeted Sentiment API همزمان، قدم زدن در ساختار خروجی و بحث در مورد سه مورد استفاده جداگانه ارائه می دهیم.
موارد استفاده هدفمند از احساسات
تجزیه و تحلیل احساسات هدفمند در زمان واقعی در آمازون Comprehend دارای چندین برنامه کاربردی برای فعال کردن بینش برند و رقیب دقیق و مقیاس پذیر است. شما می توانید از احساسات هدفمند برای فرآیندهای حیاتی تجاری مانند تحقیقات بازار زنده، تولید تجربه برند و بهبود رضایت مشتری استفاده کنید.
مثال زیر نمونه ای از استفاده از احساسات هدفمند برای نقد فیلم است.
"فیلم" موجودیت اصلی است که به عنوان نوع مشخص شده است movie
و دو بار دیگر به عنوان «فیلم» و ضمیر «آن» ذکر شده است. Targeted Sentiment API احساسات را نسبت به هر موجودیت فراهم می کند. سبز به احساسات مثبت، قرمز به معنای منفی و آبی به معنای خنثی اشاره دارد.
تحلیل سنتی احساسی از متن کلی را ارائه می دهد که در این مورد ترکیبی است. با احساسات هدفمند، می توانید بینش دقیق تری دریافت کنید. در این سناریو، احساس نسبت به فیلم هم مثبت و هم منفی است: نسبت به بازیگران مثبت، اما نسبت به کیفیت کلی منفی. این می تواند بازخورد هدفمندی را برای تیم فیلم فراهم کند، مانند اینکه در نوشتن فیلمنامه دقت بیشتری داشته باشند، اما بازیگران را برای نقش های آینده در نظر بگیرند.
کاربردهای برجسته تحلیل احساسات بلادرنگ در صنایع مختلف متفاوت است. این شامل استخراج بینش بازاریابی و مشتری از فیدهای رسانه های اجتماعی زنده، ویدیوها، رویدادهای زنده یا پخش، درک احساسات برای اهداف تحقیقاتی یا جلوگیری از آزار سایبری است. احساسات هدفمند همزمان ارزش کسب و کار را با ارائه بازخورد در زمان واقعی در عرض چند ثانیه افزایش می دهد تا بتوانید در زمان واقعی تصمیم بگیرید.
بیایید نگاهی دقیقتر به این برنامههای مختلف تحلیل احساسات هدفمند در زمان واقعی و نحوه استفاده صنایع مختلف از آنها بیندازیم:
- سناریو 1 - عقیده کاوی اسناد مالی برای تعیین احساسات نسبت به سهام، شخص یا سازمان
- سناریو 2 - تجزیه و تحلیل مرکز تماس در زمان واقعی برای تعیین احساسات دانه ای در تعامل با مشتری
- سناریو 3 - نظارت بر بازخورد سازمان یا محصول در رسانههای اجتماعی و کانالهای دیجیتال و ارائه پشتیبانی و راهکارهای بیدرنگ
در بخشهای بعدی، هر مورد استفاده را با جزئیات بیشتری مورد بحث قرار میدهیم.
سناریو 1: استخراج افکار مالی و تولید سیگنال معاملاتی
تجزیه و تحلیل احساسات برای بازارسازان و شرکت های سرمایه گذاری هنگام ایجاد استراتژی های معاملاتی بسیار مهم است. تعیین احساسات دانه ای می تواند به معامله گران کمک کند تا بفهمند بازار چه واکنشی نسبت به رویدادهای جهانی، تصمیمات تجاری، افراد و جهت گیری صنعت دارد. این احساسات می تواند عامل تعیین کننده ای برای خرید یا فروش سهام یا کالا باشد.
برای اینکه ببینیم چگونه می توانیم از Targeted Sentiment API در این سناریوها استفاده کنیم، بیایید به بیانیه جروم پاول، رئیس فدرال رزرو در مورد تورم نگاه کنیم.
همانطور که در مثال می بینیم، درک احساسات نسبت به تورم می تواند تصمیم خرید یا فروش را تعیین کند. در این سناریو، میتوان از API احساسات هدفمند استنباط کرد که نظر رئیس پاول در مورد تورم منفی است و این به احتمال زیاد منجر به نرخهای بهره بالاتر و کاهش رشد اقتصادی میشود. برای اکثر معامله گران، این می تواند منجر به تصمیم فروش شود. Targeted Sentiment API میتواند بینش سریعتر و دقیقتری را نسبت به بررسی اسناد سنتی به معاملهگران ارائه دهد، و در صنعتی که سرعت در آن بسیار مهم است، میتواند منجر به ارزش تجاری قابل توجهی شود.
در زیر یک معماری مرجع برای استفاده از احساسات هدفمند در سناریوهای تولید سیگنال تجاری و عقاید کاوی مالی ارائه شده است.
سناریو 2: تجزیه و تحلیل مرکز تماس در زمان واقعی
تجربه مثبت مرکز تماس در ارائه یک تجربه قوی به مشتری بسیار مهم است. برای کمک به اطمینان از تجربیات مثبت و سازنده، می توانید تجزیه و تحلیل احساسات را برای سنجش واکنش های مشتری، تغییر خلق و خوی مشتری در طول مدت تعامل، و اثربخشی جریان های کاری مرکز تماس و آموزش کارکنان پیاده سازی کنید. با استفاده از Targeted Sentiment API، می توانید اطلاعات دقیقی را در تجزیه و تحلیل احساسات مرکز تماس خود دریافت کنید. نه تنها می توانیم احساس تعامل را تعیین کنیم، بلکه اکنون می توانیم ببینیم که چه چیزی باعث واکنش منفی یا مثبت شده است و اقدام مناسب را انجام دهیم.
ما این را با رونوشتهای زیر از مشتری در حال بازگرداندن یک توستر معیوب نشان میدهیم. برای این مثال، نمونه ای از اظهارات مشتری را نشان می دهیم.
همانطور که می بینیم، مکالمه نسبتاً منفی شروع می شود. با استفاده از Targeted Sentiment API، میتوانیم علت اصلی این احساسات منفی را تعیین کنیم و ببینیم که در مورد یک توستر خراب است. ما میتوانیم از این اطلاعات برای اجرای گردشهای کاری خاص یا مسیریابی به بخشهای مختلف استفاده کنیم.
از طریق گفتگو، میتوان دید که مشتری از پیشنهاد کارت هدیه استقبال نکرده است. ما میتوانیم از این اطلاعات برای بهبود آموزش نماینده استفاده کنیم، ارزیابی مجدد کنیم که آیا باید موضوع را در این سناریوها مطرح کنیم یا خیر، یا تصمیم بگیریم که آیا این سوال فقط باید با احساسات خنثیتر یا مثبتتر پرسیده شود.
در نهایت، می بینیم که خدمات ارائه شده توسط نماینده با وجود اینکه مشتری همچنان از توستر ناراحت بود، با استقبال مثبت روبرو شد. ما میتوانیم از این اطلاعات برای اعتبار بخشیدن به آموزش نماینده و پاداش دادن به عملکرد قوی استفاده کنیم.
در زیر یک معماری مرجع است که احساسات هدفمند را در تجزیه و تحلیل مرکز تماس در زمان واقعی گنجانده است.
سناریو 3: نظارت بر رسانه های اجتماعی برای احساسات مشتری
استقبال از رسانه های اجتماعی می تواند یک عامل تعیین کننده برای رشد محصول و سازمان باشد. ردیابی نحوه واکنش مشتریان به تصمیمات شرکت، راه اندازی محصول یا کمپین های بازاریابی در تعیین اثربخشی بسیار مهم است.
ما می توانیم نحوه استفاده از Targeted Sentiment API را در این سناریو با استفاده از بررسی توییتر مجموعه جدیدی از هدفون ها نشان دهیم.
در این مثال، واکنشهای متفاوتی نسبت به عرضه هدفون وجود دارد، اما یک موضوع ثابت در مورد ضعیف بودن کیفیت صدا وجود دارد. شرکتها میتوانند از این اطلاعات برای مشاهده نحوه واکنش کاربران به ویژگیهای خاص استفاده کنند و ببینند که در کجا باید بهبود محصول در تکرارهای آینده انجام شود.
در زیر یک معماری مرجع با استفاده از Targeted Sentiment API برای تجزیه و تحلیل احساسات رسانه های اجتماعی است.
با احساسات هدفمند شروع کنید
برای استفاده از احساسات هدفمند در کنسول آمازون Comprehend، مراحل زیر را انجام دهید:
- در کنسول آمازون Comprehend، را انتخاب کنید Amazon Comprehend را راه اندازی کنید.
- برای متن ورودی، هر متنی را که می خواهید تجزیه و تحلیل کنید وارد کنید.
- را انتخاب کنید تجزیه و تحلیل.
پس از تجزیه و تحلیل سند، خروجی Targeted Sentiment API را می توان در آن یافت احساسات هدفمند تب در مطالب مفید بخش. در اینجا می توانید متن تجزیه و تحلیل شده، احساسات مربوط به هر موجودیت، و گروه مرجعی که با آن مرتبط است را ببینید.
در یکپارچه سازی برنامه در بخش، می توانید درخواست و پاسخ را برای متن تحلیل شده بیابید.
به صورت برنامه نویسی از احساسات هدفمند استفاده کنید
برای شروع برنامهنویسی با API همزمان، دو گزینه دارید:
- تشخیص-هدف-احساس - این API احساسات هدفمند را برای یک سند متنی واحد فراهم می کند
- دسته-تشخیص-هدف-احساس - این API احساسات هدفمند را برای لیستی از اسناد ارائه می دهد
می توانید با API تعامل داشته باشید رابط خط فرمان AWS (AWS CLI) یا از طریق AWS SDK. قبل از شروع، مطمئن شوید که AWS CLI را پیکربندی کرده اید و مجوزهای لازم برای تعامل با Amazon Comprehend را دارید.
API سنکرون Targeted Sentiment برای ارسال دو پارامتر درخواست نیاز دارد:
- کد زبان – زبان متن
- متن یا TextList - متن UTF-8 که پردازش می شود
کد زیر نمونه ای برای detect-targeted-sentiment
API ها:
مثال زیر برای batch-detect-targeted-sentiment
API ها:
اکنون به برخی از دستورات AWS CLI نمونه نگاه می کنیم.
کد زیر نمونه ای برای detect-targeted-sentiment
API ها:
مثال زیر برای batch-detect-targeted-sentiment
API ها:
نمونه زیر یک نمونه تماس Boto3 SDK API است:
در زیر نمونه ای از detect-targeted-sentiment
API ها:
در زیر نمونه ای از batch-detect-targeted-sentiment
API ها:
برای جزئیات بیشتر در مورد نحو API، مراجعه کنید راهنمای توسعه دهنده آمازون Comprehend.
ساختار پاسخ API
Targeted Sentiment API یک راه ساده برای مصرف خروجی مشاغل شما ارائه می دهد. این یک گروه بندی منطقی از موجودیت ها (گروه های موجودیت) شناسایی شده، همراه با احساسات برای هر موجودیت ارائه می دهد. در زیر برخی از تعاریف فیلدهای موجود در پاسخ آورده شده است:
- اشخاص - بخش های مهم سند مثلا،
Person
,Place
,Date
,Food
، یاTaste
. - ذکر شده - ارجاعات یا ذکرهای موجود در سند. این ها می توانند ضمایر یا اسم های رایج مانند «آن»، «او»، «کتاب» و غیره باشند. اینها به ترتیب مکان (افست) در سند سازماندهی شده اند.
- DescriptiveMentionIndex - شاخص در
Mentions
که بهترین تصویر را از گروه موجود ارائه می دهد. به عنوان مثال، "ABC Hotel" به جای "hotel"، "it" یا دیگر اسم های رایج ذکر شده است. - گروه امتیاز - اطمینان به اینکه همه موجودات ذکر شده در گروه به یک موجود مرتبط هستند (مانند «من»، «من» و «خودم» که به یک فرد اشاره دارد).
- متن - متن موجود در سند که موجودیت را نشان می دهد.
- نوع - توصیفی از آنچه موجودیت به تصویر می کشد.
- نمره - اطمینان مدل که این یک موجودیت مرتبط است.
- MentionSentiment - احساس واقعی پیدا شده برای ذکر.
- احساس - مقدار رشته مثبت، خنثی، منفی یا مختلط.
- SentimentScore - اعتماد مدل برای هر احساس ممکن.
- BeginOffset - افست در متن سند که در آن ذکر شروع می شود.
- EndOffset - افست در متن سند که در آن ذکر به پایان می رسد.
برای تفکیک دقیق تر، مراجعه کنید با Amazon Comprehend Targeted Sentiment احساسات گرانول را در متن استخراج کنید or سازماندهی فایل خروجی.
نتیجه
تجزیه و تحلیل احساسات به دلایل بیشماری برای سازمانها حیاتی است - از ردیابی احساسات مشتری در طول زمان برای کسبوکارها، استنباط اینکه آیا محصولی مورد پسند یا ناپسند است، تا درک نظرات کاربران یک شبکه اجتماعی در مورد موضوعات خاص، یا حتی پیشبینی نتایج کمپین ها احساسات هدفمند در زمان واقعی میتواند برای کسبوکارها مؤثر باشد، و به آنها اجازه میدهد تا فراتر از تجزیه و تحلیل احساسات کلی رفته و بینشهایی را برای هدایت تجربیات مشتری با استفاده از Amazon Comprehend جستجو کنند.
برای کسب اطلاعات بیشتر در مورد احساسات هدفمند برای آمازون درک، مراجعه کنید احساسات هدفمند.
درباره نویسندگان
راج پاتاک یک معمار راه حل و مشاور فنی برای مشتریان Fortune 50 و FSI متوسط (بانکداری، بیمه، بازارهای سرمایه) در سراسر کانادا و ایالات متحده است. راج در یادگیری ماشین با برنامه های کاربردی در استخراج اسناد، تبدیل مرکز تماس و بینایی کامپیوتر تخصص دارد.
ریک تالوکدار یک معمار ارشد با تیم آمازون Comprehend Service است. او با مشتریان AWS کار می کند تا به آنها کمک کند یادگیری ماشینی را در مقیاس بزرگ اتخاذ کنند. او در خارج از محل کار به مطالعه و عکاسی علاقه دارد.
- AI
- آی هنر
- مولد هنر ai
- ربات ai
- درک آمازون
- هوش مصنوعی
- گواهی هوش مصنوعی
- هوش مصنوعی در بانکداری
- ربات هوش مصنوعی
- ربات های هوش مصنوعی
- نرم افزار هوش مصنوعی
- آموزش ماشین AWS
- بلاکچین
- کنفرانس بلاک چین ai
- coingenius
- هوش مصنوعی محاوره ای
- کنفرانس کریپتو ai
- دل-ه
- یادگیری عمیق
- گوگل ai
- متوسط (200)
- فراگیری ماشین
- افلاطون
- افلاطون آی
- هوش داده افلاطون
- بازی افلاطون
- PlatoData
- بازی پلاتو
- مقیاس Ai
- نحو
- زفیرنت