Korábban ebben az évben, Amazon Comprehend, egy természetes nyelvi feldolgozó (NLP) szolgáltatás, amely gépi tanulást (ML) használ a szövegből származó információk felfedezésére, elindította a Targeted Sentiment funkciót. A Targeted Sentiment segítségével azonosíthatja az egyetlen valós világbeli entitásnak vagy attribútumnak megfelelő említéscsoportokat (társreferencia csoportokat), megadhatja az egyes entitásemlítésekhez társított hangulatot, és felajánlhatja a valós világ entitásainak osztályozását egy az entitások előre meghatározott listája.
Ma örömmel jelentjük be az új szinkron API-t a célzott érzelmekhez az Amazon Comprehendben, amely részletesen megérti a bemeneti dokumentumokban szereplő egyes entitásokhoz kapcsolódó érzéseket.
Ebben a bejegyzésben áttekintést adunk arról, hogyan kezdheti el az Amazon Comprehend Targeted Sentiment szinkron API-t, végigjárja a kimeneti struktúrát, és három különálló használati esetet tárgyal.
Célzott hangulathasználati esetek
A valós idejű célzott hangulatelemzés az Amazon Comprehendben számos olyan alkalmazással rendelkezik, amelyek lehetővé teszik a pontos és méretezhető márkák és versenytársak betekintését. Használhatja a célzott hangulatot az üzleti szempontból kritikus folyamatokhoz, például az élő piackutatáshoz, a márkaélmény létrehozásához és a vevői elégedettség javításához.
A következő példa egy filmkritika célzott hangulatának használatára.
A „film” az elsődleges entitás, típusként azonosítva movie
, és még kétszer említik „film” és „it” névmásként. A Targeted Sentiment API biztosítja az egyes entitások felé irányuló véleményt. A zöld a pozitív érzésre, a piros a negatívra, a kék a semlegesre utal.
A hagyományos elemzés a teljes szöveg hangulatát adja meg, amely ebben az esetben vegyes. A célzott érzelmekkel részletesebb betekintést nyerhet. Ebben a forgatókönyvben a film iránti hangulat pozitív és negatív is: pozitív a színészek tekintetében, de negatív az általános minőség tekintetében. Ez célzott visszajelzést adhat a filmes csapatnak, például nagyobb szorgalmat gyakorolhat a forgatókönyvírás során, de figyelembe kell vennie a szereplőket a jövőbeli szerepekben.
A valós idejű hangulatelemzés kiemelkedő alkalmazásai iparágonként eltérőek lehetnek. Tartalmazza a marketing és vásárlói betekintések kinyerését élő közösségimédia-hírcsatornákból, videókból, élő eseményekből vagy adásokból, az érzelmek kutatási célú megértését vagy az internetes zaklatás megakadályozását. A szinkron célzott hangulat növeli az üzleti értéket azáltal, hogy másodperceken belül valós idejű visszajelzést ad, így valós időben hozhat döntéseket.
Nézzük meg közelebbről ezeket a különféle valós idejű célzott hangulatelemző alkalmazásokat, és azt, hogy a különböző iparágak hogyan használhatják őket:
- 1 forgatókönyv – Pénzügyi dokumentumok véleménybányászata egy részvény, személy vagy szervezet iránti érzelmek meghatározására
- 2 forgatókönyv – Valós idejű call center-elemzés az ügyfelekkel kapcsolatos interakciók részletes hangulatának meghatározásához
- 3 forgatókönyv – A szervezetről vagy a termékekről szóló visszajelzések nyomon követése a közösségi médiában és a digitális csatornákon keresztül, valamint valós idejű támogatás és megoldások biztosítása
A következő szakaszokban minden felhasználási esetet részletesebben tárgyalunk.
1. forgatókönyv: Pénzügyi véleménybányászat és kereskedési jel generálása
A hangulatelemzés kulcsfontosságú az árjegyzők és a befektetési cégek számára a kereskedési stratégiák kidolgozásakor. A szemcsés hangulat meghatározása segíthet a kereskedőknek kikövetkeztetni, hogy a piac milyen reakciót válthat ki a globális eseményekre, üzleti döntésekre, egyénekre és iparági irányokra. Ez az érzés meghatározó tényező lehet abban, hogy részvényt vagy árut vásároljunk vagy adjunk el.
Ha látni szeretné, hogyan használhatjuk a Targeted Sentiment API-t ezekben a forgatókönyvekben, nézzük meg Jerome Powell Federal Reserve elnökének az inflációról szóló nyilatkozatát.
Ahogy a példában is láthatjuk, az inflációval kapcsolatos hangulat megértése vételi vagy eladási döntést hozhat. Ebben a forgatókönyvben a Targeted Sentiment API-ból arra lehet következtetni, hogy Powell elnök inflációról alkotott véleménye negatív, és ez nagy valószínűséggel magasabb kamatszintet fog eredményezni, ami lassítja a gazdasági növekedést. A legtöbb kereskedő számára ez eladási döntést eredményezhet. A Targeted Sentiment API gyorsabb és részletesebb betekintést nyújt a kereskedőknek, mint a hagyományos dokumentum-ellenőrzés, és egy olyan iparágban, ahol a gyorsaság kulcsfontosságú, jelentős üzleti értéket eredményezhet.
Az alábbiakban egy referencia-architektúra található a pénzügyi véleménybányászat és a kereskedési jelgenerálás forgatókönyveiben a célzott hangulat használatához.
2. forgatókönyv: Valós idejű kapcsolattartó központ elemzés
A pozitív kapcsolattartói tapasztalat kulcsfontosságú az erős ügyfélélmény biztosításához. A pozitív és produktív élmények biztosítása érdekében hangulatelemzést alkalmazhat az ügyfelek reakcióinak, az interakció időtartama alatti változó ügyfélhangulatoknak, valamint a kapcsolattartó központ munkafolyamatainak és az alkalmazottak képzésének hatékonyságának mérésére. A Targeted Sentiment API segítségével részletes információkhoz juthat a kapcsolattartó központ hangulatelemzésén belül. Nemcsak az interakció hangulatát tudjuk meghatározni, hanem most már láthatjuk, hogy mi okozta a negatív vagy pozitív reakciót, és megtesszük a megfelelő lépéseket.
Ezt mutatjuk be a következő átiratokkal arról, hogy egy vásárló visszaküld egy hibás kenyérpirítót. Ebben a példában az ügyfél által készített nyilatkozatmintákat mutatjuk be.
Amint látjuk, a beszélgetés meglehetősen negatívan indul. A Targeted Sentiment API segítségével meg tudjuk határozni a negatív érzelmek kiváltó okát, és megtudjuk, hogy a kenyérpirító hibás működésével kapcsolatos. Ezeket az információkat felhasználhatjuk bizonyos munkafolyamatok futtatására, vagy különböző részlegekhez irányíthatunk.
A beszélgetés során az is látható, hogy a vásárló nem fogadta az ajándékutalványt. Ezeket az információkat felhasználhatjuk az ügynökképzés javítására, átértékelhetjük, hogy ezekben a forgatókönyvekben egyáltalán fel kell-e hoznunk a témát, vagy eldönthetjük, hogy ezt a kérdést csak semlegesebb vagy pozitívabb hangulattal tegyük fel.
Végül azt láthatjuk, hogy az ügyintéző által nyújtott szolgáltatást pozitívan fogadták, annak ellenére, hogy a vásárló még mindig ideges volt a kenyérpirító miatt. Ezeket az információkat felhasználhatjuk az ügynökképzés érvényesítésére és az erős ügynöki teljesítmény jutalmazására.
A következő egy referenciaarchitektúra, amely a valós idejű kapcsolati központ elemzésébe beépíti a célzott hangulatot.
3. forgatókönyv: A közösségi média figyelése az ügyfelek véleményére
A közösségi média fogadtatása döntő tényező lehet a termék- és szervezeti növekedésben. Annak nyomon követése, hogy az ügyfelek hogyan reagálnak a vállalati döntésekre, termékbevezetésekre vagy marketingkampányokra, kritikus fontosságú a hatékonyság meghatározásában.
Bemutathatjuk, hogyan kell ebben a forgatókönyvben használni a Targeted Sentiment API-t, ha Twitter-véleményeket használunk egy új fejhallgatókészletről.
Ebben a példában vegyes reakciók születnek a fejhallgató megjelenésével kapcsolatban, de egybehangzó téma a rossz hangminőség. A vállalatok ennek az információnak a segítségével megtudhatják, hogyan reagálnak a felhasználók bizonyos attribútumokra, és megnézhetik, hol kell a termékfejlesztést végrehajtani a jövőbeni iterációk során.
Az alábbi referencia-architektúra a Targeted Sentiment API-t használja a közösségi média hangulatelemzésére.
Kezdje el a Targeted Sentiment szolgáltatást
Ha célzott hangulatot szeretne használni az Amazon Comprehend konzolon, hajtsa végre a következő lépéseket:
- Az Amazon Comprehend konzolon válassza a lehetőséget Indítsa el az Amazon Comprehend programot.
- A Szöveg bevitele, írja be az elemezni kívánt szöveget.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Elemez.
A dokumentum elemzése után a Targeted Sentiment API kimenete megtalálható a Célzott hangulat fülön a Insights szakasz. Itt láthatja az elemzett szöveget, az egyes entitásokhoz tartozó véleményeket és a hozzárendelt referenciacsoportot.
A Alkalmazás integráció részben megtalálhatja az elemzett szövegre vonatkozó kérést és választ.
Programozottan használja a Targeted Sentiment
A szinkron API programozott használatának megkezdéséhez két lehetősége van:
- észleli-célzott-hangulat – Ez az API egyetlen szöveges dokumentum célzott hangulatát biztosítja
- batch-detect-targeted-sentiment – Ez az API biztosítja a célzott hangulatot a dokumentumok listájához
Az API-val interakcióba léphet a AWS parancssori interfész (AWS CLI) vagy az AWS SDK-n keresztül. Mielőtt elkezdené, győződjön meg arról, hogy konfigurálta az AWS parancssori felületet, és rendelkezik a szükséges engedélyekkel az Amazon Comprehenddel való interakcióhoz.
A Targeted Sentiment szinkron API két kérési paramétert igényel:
- LanguageCode – A szöveg nyelve
- Szöveg ill TextList – A feldolgozott UTF-8 szöveg
A következő kód egy példa a detect-targeted-sentiment
API-k:
A következő példa a batch-detect-targeted-sentiment
API-k:
Most nézzünk meg néhány példa AWS CLI parancsot.
A következő kód egy példa a detect-targeted-sentiment
API-k:
A következő példa a batch-detect-targeted-sentiment
API-k:
A következő egy minta Boto3 SDK API-hívás:
Az alábbiakban egy példa a detect-targeted-sentiment
API-k:
Az alábbiakban egy példa a batch-detect-targeted-sentiment
API-k:
Az API szintaxissal kapcsolatos további részletekért tekintse meg a Amazon Comprehend fejlesztői útmutató.
API válaszstruktúra
A Targeted Sentiment API egyszerű módot biztosít a feladatok kimenetének felhasználására. Az észlelt entitások (entitáscsoportok) logikai csoportosítását biztosítja az egyes entitások hangulatával együtt. Az alábbiakban néhány definíció található a válaszban szereplő mezőkről:
- szervezetek – A dokumentum jelentős részei. Például,
Person
,Place
,Date
,Food
vagyTaste
. - Említi – Az entitás hivatkozásai vagy említése a dokumentumban. Ezek lehetnek névmások vagy köznevek, például „it”, „ő”, „könyv” stb. Ezek a dokumentumban hely szerint (eltolás) vannak rendezve.
- DescriptiveMentionIndex – Az index be
Mentions
amely a legjobban ábrázolja az entitáscsoportot. Például: „ABC Hotel” a „hotel”, „it” vagy más gyakori főnévi említések helyett. - GroupScore – Az a bizalom, hogy a csoportban említett összes entitás ugyanahhoz az entitáshoz kapcsolódik (például „én”, „én” és „magam” egy személyre utalva).
- szöveg – Az entitást ábrázoló szöveg a dokumentumban.
- típus – Annak leírása, amit az entitás ábrázol.
- Pontszám – A modell meggyőződése, hogy ez egy releváns entitás.
- MentionSentiment – Az említésre talált tényleges hangulat.
- Érzés – Pozitív, semleges, negatív vagy vegyes karakterlánc értéke.
- SentimentScore – A modell bizalom minden lehetséges érzéshez.
- BeginOffset – Az eltolás a dokumentum szövegébe, ahol az említés kezdődik.
- EndOffset – Az eltolás a dokumentum szövegébe, ahol az említés véget ér.
A részletesebb lebontásért lásd Az Amazon Comprehend Targeted Sentiment segítségével kivonhatja a szemcsés hangulatot szövegből or Kimeneti fájl szervezése.
Következtetés
A hangulatelemzés számtalan okból továbbra is kulcsfontosságú a szervezetek számára – kezdve a vevői hangulat nyomon követésétől a vállalkozásoknál, a termék kedveltségéről vagy nemtetszéséről való következtetésig, a közösségi hálózat felhasználóinak bizonyos témákkal kapcsolatos véleményének megértéséig, vagy akár az eredmények előrejelzéséig. kampányok. A valós idejű célzott hangulat hatékony lehet a vállalkozások számára, lehetővé téve számukra, hogy az általános hangulatelemzésen túlmenően betekintést nyerjenek a vásárlói élmények Amazon Comprehend segítségével történő javítása érdekében.
Ha többet szeretne megtudni a Targeted Sentiment for Amazon Comprehend programról, tekintse meg a következőt: Célzott hangulat.
A szerzőkről
Raj Pathak megoldástervező és műszaki tanácsadó a Fortune 50 és közepes méretű FSI (banki, biztosítási, tőkepiaci) ügyfelek számára Kanadában és az Egyesült Államokban. Raj a gépi tanulásra szakosodott a dokumentumkivonás, a kapcsolattartó központ átalakítás és a számítógépes látás alkalmazásokkal.
Wrick Talukdar vezető építész az Amazon Comprehend Service csapatánál. Együttműködik az AWS-ügyfelekkel, hogy segítse őket a gépi tanulás széles körben történő alkalmazásában. Munkán kívül szeret olvasni és fotózni.
- AI
- ai művészet
- ai art generátor
- van egy robotod
- Amazon Comprehend
- mesterséges intelligencia
- mesterséges intelligencia tanúsítás
- mesterséges intelligencia a bankszektorban
- mesterséges intelligencia robot
- mesterséges intelligencia robotok
- mesterséges intelligencia szoftver
- AWS gépi tanulás
- blockchain
- blokklánc konferencia ai
- coingenius
- társalgási mesterséges intelligencia
- kriptokonferencia ai
- dall's
- mély tanulás
- google azt
- Közepes (200)
- gépi tanulás
- Plató
- plato ai
- Platón adatintelligencia
- Platón játék
- PlatoData
- platogaming
- skála ai
- szintaxis
- zephyrnet