अमेज़ॅन कॉम्प्रिहेंड टारगेटेड सेंटीमेंट सिंक्रोनस सपोर्ट जोड़ता है

इस साल के शुरू, Amazon Comprehend, एक प्राकृतिक भाषा प्रसंस्करण (एनएलपी) सेवा जो पाठ से अंतर्दृष्टि खोजने के लिए मशीन लर्निंग (एमएल) का उपयोग करती है, टारगेटेड सेंटीमेंट फीचर लॉन्च किया. लक्षित भावना के साथ, आप एक वास्तविक-विश्व इकाई या विशेषता के अनुरूप उल्लेखों के समूहों (सह-संदर्भ समूह) की पहचान कर सकते हैं, प्रत्येक इकाई के उल्लेख से जुड़ी भावना प्रदान कर सकते हैं, और एक के आधार पर वास्तविक-विश्व इकाई के वर्गीकरण की पेशकश कर सकते हैं। संस्थाओं की पूर्व निर्धारित सूची.

आज, हम अमेज़ॅन कॉम्प्रिहेंड में लक्षित भावना के लिए नए सिंक्रोनस एपीआई की घोषणा करने के लिए उत्साहित हैं, जो इनपुट दस्तावेज़ों में विशिष्ट संस्थाओं से जुड़ी भावनाओं की बारीक समझ प्रदान करता है।

इस पोस्ट में, हम एक सिंहावलोकन प्रदान करते हैं कि आप अमेज़ॅन कॉम्प्रिहेंड टारगेटेड सेंटीमेंट सिंक्रोनस एपीआई के साथ कैसे शुरुआत कर सकते हैं, आउटपुट संरचना के माध्यम से चल सकते हैं, और तीन अलग-अलग उपयोग के मामलों पर चर्चा कर सकते हैं।

लक्षित भावना उपयोग के मामले

अमेज़ॅन कॉम्प्रिहेंड में रीयल-टाइम लक्षित भावना विश्लेषण में सटीक और स्केलेबल ब्रांड और प्रतिस्पर्धी अंतर्दृष्टि को सक्षम करने के लिए कई एप्लिकेशन हैं। आप व्यापार-महत्वपूर्ण प्रक्रियाओं जैसे कि लाइव मार्केट रिसर्च, ब्रांड अनुभव का निर्माण, और ग्राहकों की संतुष्टि में सुधार के लिए लक्षित भावना का उपयोग कर सकते हैं।

मूवी समीक्षा के लिए लक्षित भावना का उपयोग करने का एक उदाहरण निम्नलिखित है।

"मूवी" प्राथमिक इकाई है, जिसे प्रकार के रूप में पहचाना जाता है movie, और दो बार "मूवी" और सर्वनाम "इट" के रूप में उल्लेख किया गया है। लक्षित भावना एपीआई प्रत्येक इकाई के प्रति भावना प्रदान करती है। हरा एक सकारात्मक भावना को संदर्भित करता है, नकारात्मक के लिए लाल और तटस्थ के लिए नीला।

पारंपरिक विश्लेषण समग्र पाठ की भावना प्रदान करता है, जो इस मामले में मिश्रित है। लक्षित भावना के साथ, आप अधिक विस्तृत जानकारी प्राप्त कर सकते हैं। इस परिदृश्य में, फिल्म के प्रति भावना सकारात्मक और नकारात्मक दोनों है: अभिनेताओं के संबंध में सकारात्मक, लेकिन समग्र गुणवत्ता के संबंध में नकारात्मक। यह फिल्म टीम के लिए लक्षित प्रतिक्रिया प्रदान कर सकता है, जैसे कि पटकथा लेखन में अधिक परिश्रम करना, लेकिन भविष्य की भूमिकाओं के लिए अभिनेताओं पर विचार करना।

रीयल-टाइम भावना विश्लेषण के प्रमुख अनुप्रयोग उद्योगों में अलग-अलग होंगे। इसमें लाइव सोशल मीडिया फीड, वीडियो, लाइव इवेंट या प्रसारण से मार्केटिंग और ग्राहक अंतर्दृष्टि निकालना, अनुसंधान उद्देश्यों के लिए भावनाओं को समझना, या साइबर धमकी को रोकना शामिल है। सिंक्रोनस टारगेटेड सेंटीमेंट सेकंड के भीतर रीयल-टाइम फीडबैक प्रदान करके व्यावसायिक मूल्य को बढ़ाता है ताकि आप वास्तविक समय में निर्णय ले सकें।

आइए इन विभिन्न रीयल-टाइम लक्षित भावना विश्लेषण अनुप्रयोगों पर करीब से नज़र डालें और विभिन्न उद्योग उनका उपयोग कैसे कर सकते हैं:

• परिदृश्य 1 - स्टॉक, व्यक्ति या संगठन के प्रति भावना का निर्धारण करने के लिए वित्तीय दस्तावेजों की राय खनन
• परिदृश्य 2 - ग्राहक बातचीत में बारीक भावना का निर्धारण करने के लिए रीयल-टाइम कॉल सेंटर एनालिटिक्स
• परिदृश्य 3 - सोशल मीडिया और डिजिटल चैनलों पर निगरानी संगठन या उत्पाद प्रतिक्रिया, और रीयल-टाइम समर्थन और संकल्प प्रदान करना

निम्नलिखित अनुभागों में, हम प्रत्येक उपयोग के मामले पर अधिक विस्तार से चर्चा करते हैं।

परिदृश्य 1: वित्तीय राय खनन और व्यापार संकेत पीढ़ी

व्यापारिक रणनीतियों का निर्माण करते समय बाजार निर्माताओं और निवेश फर्मों के लिए भावना विश्लेषण महत्वपूर्ण है। दानेदार भावना को निर्धारित करने से व्यापारियों को यह अनुमान लगाने में मदद मिल सकती है कि वैश्विक घटनाओं, व्यावसायिक निर्णयों, व्यक्तियों और उद्योग की दिशा के प्रति बाजार की क्या प्रतिक्रिया हो सकती है। स्टॉक या कमोडिटी को खरीदने या बेचने के लिए यह भावना एक निर्धारण कारक हो सकती है।

यह देखने के लिए कि हम इन परिदृश्यों में लक्षित भावना एपीआई का उपयोग कैसे कर सकते हैं, आइए मुद्रास्फीति पर फेडरल रिजर्व के अध्यक्ष जेरोम पॉवेल के एक बयान को देखें।

जैसा कि हम उदाहरण में देख सकते हैं, मुद्रास्फीति के प्रति भावना को समझना खरीद या बिक्री के निर्णय को सूचित कर सकता है। इस परिदृश्य में, लक्षित भावना एपीआई से यह अनुमान लगाया जा सकता है कि मुद्रास्फीति पर चेयर पॉवेल की राय नकारात्मक है, और इसके परिणामस्वरूप उच्च ब्याज दरों में आर्थिक विकास धीमा होने की संभावना है। अधिकांश व्यापारियों के लिए, इसका परिणाम बेचने का निर्णय हो सकता है। टारगेटेड सेंटीमेंट एपीआई ट्रेडर्स को पारंपरिक दस्तावेज़ समीक्षा की तुलना में तेज़ और अधिक बारीक अंतर्दृष्टि प्रदान कर सकता है, और ऐसे उद्योग में जहां गति महत्वपूर्ण है, इसका परिणाम पर्याप्त व्यावसायिक मूल्य हो सकता है।

वित्तीय राय खनन और ट्रेडिंग सिग्नल जनरेशन परिदृश्यों में लक्षित भावना का उपयोग करने के लिए निम्नलिखित एक संदर्भ वास्तुकला है।

परिदृश्य 2: रीयल-टाइम संपर्क केंद्र विश्लेषण

एक मजबूत ग्राहक अनुभव प्रदान करने के लिए एक सकारात्मक संपर्क केंद्र का अनुभव महत्वपूर्ण है। सकारात्मक और उत्पादक अनुभव सुनिश्चित करने में मदद करने के लिए, आप ग्राहक प्रतिक्रियाओं, बातचीत की अवधि के माध्यम से बदलते ग्राहक मूड, और संपर्क केंद्र वर्कफ़्लो और कर्मचारी प्रशिक्षण की प्रभावशीलता को मापने के लिए भावना विश्लेषण लागू कर सकते हैं। लक्षित भावना एपीआई के साथ, आप अपने संपर्क केंद्र भावना विश्लेषण के भीतर बारीक जानकारी प्राप्त कर सकते हैं। हम न केवल बातचीत की भावना को निर्धारित कर सकते हैं, बल्कि अब हम देख सकते हैं कि नकारात्मक या सकारात्मक प्रतिक्रिया का कारण क्या है और उचित कार्रवाई करें।

हम इसे खराब टोस्टर लौटाने वाले ग्राहक के निम्नलिखित टेपों के साथ प्रदर्शित करते हैं। इस उदाहरण के लिए, हम नमूना विवरण दिखाते हैं जो ग्राहक बना रहा है।

जैसा कि हम देख सकते हैं, बातचीत काफी नकारात्मक शुरू होती है। टारगेटेड सेंटीमेंट एपीआई के साथ, हम नकारात्मक भावना के मूल कारण को निर्धारित करने में सक्षम हैं और देखते हैं कि यह एक खराब टोस्टर के संबंध में है। हम इस जानकारी का उपयोग कुछ कार्यप्रवाह चलाने के लिए कर सकते हैं, या विभिन्न विभागों के लिए रूट कर सकते हैं।

बातचीत के माध्यम से, हम यह भी देख सकते हैं कि ग्राहक उपहार कार्ड की पेशकश के प्रति ग्रहणशील नहीं था। हम इस जानकारी का उपयोग एजेंट प्रशिक्षण में सुधार करने के लिए कर सकते हैं, पुनर्मूल्यांकन कर सकते हैं कि क्या हमें इन परिदृश्यों में विषय को भी लाना चाहिए, या यह तय करना चाहिए कि क्या यह प्रश्न केवल अधिक तटस्थ या सकारात्मक भावना के साथ पूछा जाना चाहिए।

अंत में, हम देख सकते हैं कि एजेंट द्वारा प्रदान की गई सेवा सकारात्मक रूप से प्राप्त हुई थी, हालांकि ग्राहक अभी भी टोस्टर के बारे में परेशान था। हम इस जानकारी का उपयोग एजेंट प्रशिक्षण को मान्य करने और मजबूत एजेंट प्रदर्शन को पुरस्कृत करने के लिए कर सकते हैं।

निम्नलिखित एक संदर्भ वास्तुकला है जिसमें वास्तविक समय संपर्क केंद्र विश्लेषण में लक्षित भावना शामिल है।

परिदृश्य 3: ग्राहक भावना के लिए सोशल मीडिया की निगरानी

उत्पाद और संगठनात्मक विकास के लिए सोशल मीडिया रिसेप्शन एक निर्णायक कारक हो सकता है। कंपनी के निर्णयों, उत्पाद लॉन्च या मार्केटिंग अभियानों पर ग्राहकों की प्रतिक्रिया पर नज़र रखना प्रभावशीलता का निर्धारण करने में महत्वपूर्ण है।

हम हेडफ़ोन के एक नए सेट की ट्विटर समीक्षाओं का उपयोग करके इस परिदृश्य में लक्षित भावना API का उपयोग करने का तरीका प्रदर्शित कर सकते हैं।

इस उदाहरण में, हेडफ़ोन के लॉन्च के लिए मिश्रित प्रतिक्रियाएं हैं, लेकिन ध्वनि की गुणवत्ता खराब होने का एक सुसंगत विषय है। कंपनियां इस जानकारी का उपयोग यह देखने के लिए कर सकती हैं कि उपयोगकर्ता कुछ विशेषताओं पर कैसे प्रतिक्रिया दे रहे हैं और यह देख सकते हैं कि भविष्य के पुनरावृत्तियों में उत्पाद सुधार कहां किए जाने चाहिए।

सोशल मीडिया सेंटीमेंट एनालिसिस के लिए टार्गेटेड सेंटीमेंट एपीआई का इस्तेमाल करते हुए रेफरेंस आर्किटेक्चर निम्नलिखित है।

लक्षित भावना के साथ आरंभ करें

अमेज़ॅन कॉम्प्रिहेंड कंसोल पर लक्षित भावना का उपयोग करने के लिए, निम्न चरणों को पूरा करें:

1. Amazon Comprehend कंसोल पर, चुनें Amazon Comprehend लॉन्च करें.
   
2. के लिए इनपुट टेक्स्ट, कोई भी टेक्स्ट दर्ज करें जिसका आप विश्लेषण करना चाहते हैं।
3. चुनें विश्लेषण करें.
   

दस्तावेज़ का विश्लेषण करने के बाद, लक्षित भावना API का आउटपुट पर पाया जा सकता है लक्षित भावना में टैब इनसाइट्स खंड। यहां आप विश्लेषित पाठ, प्रत्येक निकाय की संबंधित भावना और उससे संबद्ध संदर्भ समूह देख सकते हैं।

में आवेदन एकीकरण अनुभाग, आप विश्लेषण किए गए पाठ के लिए अनुरोध और प्रतिक्रिया पा सकते हैं।

प्रोग्रामेटिक रूप से लक्षित भावना का उपयोग करें

प्रोग्रामेटिक रूप से सिंक्रोनस एपीआई के साथ आरंभ करने के लिए, आपके पास दो विकल्प हैं:

• पता लगाने-लक्षित भावना - यह एपीआई एकल टेक्स्ट दस्तावेज़ के लिए लक्षित भावना प्रदान करता है
• बैच-पता-लक्षित-भावना - यह एपीआई दस्तावेजों की सूची के लिए लक्षित भावना प्रदान करता है

आप एपीआई के साथ बातचीत कर सकते हैं AWS कमांड लाइन इंटरफ़ेस (एडब्ल्यूएस सीएलआई) या एडब्ल्यूएस एसडीके के माध्यम से। शुरू करने से पहले, सुनिश्चित करें कि आपने एडब्ल्यूएस सीएलआई को कॉन्फ़िगर किया है, और अमेज़ॅन कॉम्प्रिहेंड के साथ बातचीत करने के लिए आवश्यक अनुमतियां हैं।

टारगेटेड सेंटीमेंट सिंक्रोनस एपीआई को पास होने के लिए दो अनुरोध पैरामीटर की आवश्यकता होती है:

• भाषा कोड - पाठ की भाषा
• पाठ या टेक्स्टलिस्ट - यूटीएफ -8 टेक्स्ट जिसे संसाधित किया जाता है

निम्नलिखित कोड के लिए एक उदाहरण है detect-targeted-sentiment एपीआई:

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

निम्नलिखित के लिए एक उदाहरण है: batch-detect-targeted-sentiment एपीआई:

{

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

}

अब आइए कुछ नमूना AWS CLI कमांड देखें।

निम्नलिखित कोड के लिए एक उदाहरण है detect-targeted-sentiment एपीआई:

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

निम्नलिखित के लिए एक उदाहरण है: batch-detect-targeted-sentiment एपीआई:

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

निम्नलिखित नमूना Boto3 SDK API कॉल है:

import boto3
import subprocess

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

निम्नलिखित का एक उदाहरण है: detect-targeted-sentiment एपीआई:

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

निम्नलिखित का एक उदाहरण है: batch-detect-targeted-sentiment एपीआई:

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

एपीआई सिंटैक्स के बारे में अधिक जानकारी के लिए, देखें अमेज़न समझ डेवलपर गाइड.

एपीआई प्रतिक्रिया संरचना

टारगेटेड सेंटीमेंट एपीआई आपकी नौकरियों के आउटपुट का उपभोग करने का एक आसान तरीका प्रदान करता है। यह प्रत्येक इकाई के लिए भावना के साथ-साथ ज्ञात संस्थाओं (इकाई समूहों) का तार्किक समूहन प्रदान करता है। प्रत्युत्तर में मौजूद फ़ील्ड की कुछ परिभाषाएँ निम्नलिखित हैं:

• संस्थाओं - दस्तावेज़ के महत्वपूर्ण भाग। उदाहरण के लिए, Person, Place, Date, Foodया, Taste.
• उल्लेखों - दस्तावेज़ में इकाई के संदर्भ या उल्लेख। ये सर्वनाम या सामान्य संज्ञा हो सकते हैं जैसे "यह," "उसे," "पुस्तक," और इसी तरह। ये दस्तावेज़ में स्थान (ऑफ़सेट) के क्रम में व्यवस्थित होते हैं।
• वर्णनात्मक उल्लेख सूचकांक - सूचकांक Mentions जो इकाई समूह का सबसे अच्छा चित्रण देता है। उदाहरण के लिए, "होटल," "इट" के बजाय "एबीसी होटल" या अन्य सामान्य संज्ञा का उल्लेख है।
• समूह स्कोर - यह विश्वास कि समूह में उल्लिखित सभी संस्थाएं एक ही इकाई से संबंधित हैं (जैसे कि "मैं," "मैं," और "मैं" एक व्यक्ति को संदर्भित करता हूं)।
• टेक्स्ट - दस्तावेज़ में वह पाठ जो इकाई को दर्शाता है।
• प्रकार - इकाई क्या दर्शाती है इसका विवरण।
• स्कोर - मॉडल का विश्वास है कि यह एक प्रासंगिक इकाई है।
• भावना का उल्लेख करें - उल्लेख के लिए वास्तविक भावना मिली।
• भावुकता - सकारात्मक, तटस्थ, नकारात्मक या मिश्रित का स्ट्रिंग मान।
• सेंटीमेंट स्कोर - प्रत्येक संभावित भावना के लिए मॉडल आत्मविश्वास।
• शुरुआत ऑफसेट - दस्तावेज़ पाठ में ऑफसेट जहां उल्लेख शुरू होता है।
• एंडऑफ़सेट - दस्तावेज़ टेक्स्ट में ऑफ़सेट जहां उल्लेख समाप्त होता है।

अधिक विस्तृत विश्लेषण के लिए, देखें अमेज़ॅन कॉम्प्रिहेंड टारगेटेड सेंटीमेंट के साथ टेक्स्ट में दानेदार भावना निकालें or आउटपुट फ़ाइल संगठन.

निष्कर्ष

कई कारणों से संगठनों के लिए भावना विश्लेषण महत्वपूर्ण है- व्यवसायों के लिए समय के साथ ग्राहकों की भावनाओं को ट्रैक करने से, उत्पाद को पसंद या नापसंद करने के लिए, कुछ विषयों के प्रति सोशल नेटवर्क के उपयोगकर्ताओं की राय को समझने के लिए, या यहां तक ​​​​कि परिणामों की भविष्यवाणी करने के लिए अभियान। रीयल-टाइम लक्षित भावना व्यवसायों के लिए प्रभावी हो सकती है, जिससे उन्हें अमेज़ॅन कॉम्प्रिहेंड का उपयोग करके ग्राहक अनुभवों को चलाने के लिए अंतर्दृष्टि का पता लगाने के लिए समग्र भावना विश्लेषण से परे जाने की इजाजत मिलती है।

अमेज़ॅन कॉम्प्रिहेंड के लिए लक्षित भावना के बारे में अधिक जानने के लिए, देखें लक्षित भावना.

लेखक के बारे में

राज पाठक कनाडा और संयुक्त राज्य अमेरिका में फॉर्च्यून 50 और मध्यम आकार के एफएसआई (बैंकिंग, बीमा, पूंजी बाजार) ग्राहकों के लिए एक समाधान वास्तुकार और तकनीकी सलाहकार है। राज दस्तावेज़ निष्कर्षण, संपर्क केंद्र परिवर्तन और कंप्यूटर विजन में अनुप्रयोगों के साथ मशीन लर्निंग में माहिर हैं।

Wrick तालुकदार अमेज़ॅन कॉम्प्रिहेंड सर्विस टीम के साथ एक वरिष्ठ वास्तुकार हैं। वह बड़े पैमाने पर मशीन लर्निंग को अपनाने में मदद करने के लिए AWS ग्राहकों के साथ काम करता है। काम के अलावा, उन्हें पढ़ना और फोटोग्राफी करना पसंद है।