Amazon Comprehend Targeted Sentiment menambahkan dukungan sinkron

Awal tahun ini, Amazon Comprehend, layanan pemrosesan bahasa alami (NLP) yang menggunakan pembelajaran mesin (ML) untuk menemukan wawasan dari teks, meluncurkan fitur Sentimen Tertarget. Dengan Sentimen Tertarget, Anda dapat mengidentifikasi grup sebutan (grup referensi bersama) yang terkait dengan satu entitas atau atribut dunia nyata, memberikan sentimen yang terkait dengan setiap penyebutan entitas, dan menawarkan klasifikasi entitas dunia nyata berdasarkan daftar entitas yang telah ditentukan sebelumnya.

Hari ini, kami dengan senang hati mengumumkan API sinkron baru untuk sentimen yang ditargetkan di Amazon Comprehend, yang memberikan pemahaman terperinci tentang sentimen yang terkait dengan entitas tertentu dalam dokumen masukan.

Dalam posting ini, kami memberikan ikhtisar tentang bagaimana Anda dapat memulai dengan API sinkron Amazon Comprehend Targeted Sentiment, menelusuri struktur output, dan mendiskusikan tiga kasus penggunaan terpisah.

Kasus penggunaan sentimen yang ditargetkan

Analisis sentimen bertarget waktu nyata di Amazon Comprehend memiliki beberapa aplikasi untuk memungkinkan wawasan merek dan pesaing yang akurat dan dapat diskalakan. Anda dapat menggunakan sentimen yang ditargetkan untuk proses bisnis penting seperti riset pasar langsung, menghasilkan pengalaman merek, dan meningkatkan kepuasan pelanggan.

Berikut ini adalah contoh penggunaan sentimen yang ditargetkan untuk ulasan film.

"Film" adalah entitas utama, diidentifikasi sebagai jenis movie, dan disebutkan dua kali lagi sebagai "film" dan kata ganti "itu." API Sentimen Tertarget memberikan sentimen terhadap setiap entitas. Hijau mengacu pada sentimen positif, merah untuk negatif, dan biru untuk netral.

Analisis tradisional memberikan sentimen dari keseluruhan teks, yang dalam hal ini bercampur. Dengan sentimen yang ditargetkan, Anda bisa mendapatkan wawasan yang lebih terperinci. Dalam skenario ini, sentimen terhadap film itu positif dan negatif: positif dalam kaitannya dengan aktor, tetapi negatif dalam kaitannya dengan kualitas secara keseluruhan. Ini dapat memberikan umpan balik yang ditargetkan untuk tim film, seperti untuk lebih rajin menulis naskah, tetapi untuk mempertimbangkan aktor untuk peran di masa depan.

Aplikasi analisis sentimen real-time yang menonjol akan bervariasi di berbagai industri. Ini termasuk mengekstraksi pemasaran dan wawasan pelanggan dari umpan media sosial langsung, video, acara langsung, atau siaran, memahami emosi untuk tujuan penelitian, atau mencegah penindasan maya. Sentimen bertarget sinkron mendorong nilai bisnis dengan memberikan umpan balik waktu nyata dalam hitungan detik sehingga Anda dapat membuat keputusan secara waktu nyata.

Mari kita lihat lebih dekat berbagai aplikasi analisis sentimen yang ditargetkan secara real-time ini dan bagaimana industri yang berbeda dapat menggunakannya:

• Skenario 1 – Penambangan opini dokumen keuangan untuk menentukan sentimen terhadap saham, orang, atau organisasi
• Skenario 2 – Analisis pusat panggilan real-time untuk menentukan sentimen granular dalam interaksi pelanggan
• Skenario 3 – Memantau organisasi atau umpan balik produk di media sosial dan saluran digital, dan memberikan dukungan dan resolusi waktu nyata

Pada bagian berikut, kami membahas setiap kasus penggunaan secara lebih rinci.

Skenario 1: Penambangan opini keuangan dan pembangkitan sinyal perdagangan

Analisis sentimen sangat penting bagi pembuat pasar dan perusahaan investasi saat membangun strategi perdagangan. Menentukan sentimen granular dapat membantu pedagang menyimpulkan reaksi apa yang mungkin dimiliki pasar terhadap peristiwa global, keputusan bisnis, individu, dan arah industri. Sentimen ini dapat menjadi faktor penentu apakah akan membeli atau menjual saham atau komoditas.

Untuk melihat bagaimana kita dapat menggunakan Targeted Sentiment API dalam skenario ini, mari kita lihat pernyataan dari Ketua Federal Reserve Jerome Powell tentang inflasi.

Seperti yang dapat kita lihat pada contoh, memahami sentimen terhadap inflasi dapat menginformasikan keputusan beli atau jual. Dalam skenario ini, dapat disimpulkan dari Targeted Sentiment API bahwa pendapat Ketua Powell tentang inflasi adalah negatif, dan ini kemungkinan besar akan menghasilkan suku bunga yang lebih tinggi yang memperlambat pertumbuhan ekonomi. Bagi sebagian besar pedagang, ini bisa menghasilkan keputusan jual. Targeted Sentiment API dapat memberikan wawasan yang lebih cepat dan lebih terperinci kepada pedagang daripada tinjauan dokumen tradisional, dan dalam industri di mana kecepatan sangat penting, ini dapat menghasilkan nilai bisnis yang substansial.

Berikut ini adalah arsitektur referensi untuk menggunakan sentimen yang ditargetkan dalam skenario penambangan opini keuangan dan pembuatan sinyal perdagangan.

Skenario 2: Analisis pusat kontak waktu nyata

Pengalaman pusat kontak yang positif sangat penting dalam memberikan pengalaman pelanggan yang kuat. Untuk membantu memastikan pengalaman positif dan produktif, Anda dapat menerapkan analisis sentimen untuk mengukur reaksi pelanggan, perubahan suasana hati pelanggan melalui durasi interaksi, dan efektivitas alur kerja pusat kontak dan pelatihan karyawan. Dengan API Sentimen Tertarget, Anda bisa mendapatkan informasi terperinci dalam analisis sentimen pusat kontak Anda. Kita tidak hanya dapat menentukan sentimen interaksi, tetapi sekarang kita dapat melihat apa yang menyebabkan reaksi negatif atau positif dan mengambil tindakan yang tepat.

Kami mendemonstrasikan ini dengan transkrip berikut dari pelanggan yang mengembalikan pemanggang roti yang tidak berfungsi. Untuk contoh ini, kami menunjukkan contoh pernyataan yang dibuat oleh pelanggan.

Seperti yang bisa kita lihat, percakapan dimulai dengan cukup negatif. Dengan API Sentimen Tertarget, kami dapat menentukan akar penyebab sentimen negatif dan melihatnya terkait pemanggang roti yang tidak berfungsi. Kami dapat menggunakan informasi ini untuk menjalankan alur kerja tertentu, atau merutekan ke departemen yang berbeda.

Melalui percakapan, kami juga dapat melihat bahwa pelanggan tidak menerima tawaran kartu hadiah. Kami dapat menggunakan informasi ini untuk meningkatkan pelatihan agen, mengevaluasi kembali apakah kami harus mengangkat topik dalam skenario ini, atau memutuskan apakah pertanyaan ini hanya diajukan dengan sentimen yang lebih netral atau positif.

Terakhir, dapat kita lihat bahwa pelayanan yang diberikan oleh agen tersebut diterima secara positif meskipun pelanggan masih kesal dengan pemanggang roti tersebut. Kami dapat menggunakan informasi ini untuk memvalidasi pelatihan agen dan menghargai kinerja agen yang kuat.

Berikut ini adalah arsitektur referensi yang menggabungkan sentimen yang ditargetkan ke dalam analitik pusat kontak waktu nyata.

Skenario 3: Memantau media sosial untuk sentimen pelanggan

Penerimaan media sosial dapat menjadi faktor penentu untuk produk dan pertumbuhan organisasi. Melacak bagaimana pelanggan bereaksi terhadap keputusan perusahaan, peluncuran produk, atau kampanye pemasaran sangat penting dalam menentukan efektivitas.

Kami dapat mendemonstrasikan cara menggunakan Targeted Sentiment API dalam skenario ini dengan menggunakan ulasan Twitter dari satu set headphone baru.

Dalam contoh ini, ada reaksi beragam terhadap peluncuran headphone, tetapi ada tema yang konsisten tentang kualitas suara yang buruk. Perusahaan dapat menggunakan informasi ini untuk melihat bagaimana reaksi pengguna terhadap atribut tertentu dan melihat di mana peningkatan produk harus dilakukan pada iterasi mendatang.

Berikut ini adalah arsitektur referensi menggunakan Targeted Sentiment API untuk analisis sentimen media sosial.

Mulailah dengan Sentimen yang Ditargetkan

Untuk menggunakan sentimen yang ditargetkan di konsol Amazon Comprehend, selesaikan langkah-langkah berikut:

1. Di konsol Amazon Comprehend, pilih Luncurkan Amazon Comprehend.
   
2. Untuk Masukkan teks, masukkan teks apa pun yang ingin Anda analisis.
3. Pilih Menganalisa.
   

Setelah dokumen dianalisis, output dari Targeted Sentiment API dapat ditemukan di Sentimen yang ditargetkan tab di Wawasan bagian. Di sini Anda dapat melihat teks yang dianalisis, sentimen masing-masing entitas, dan grup referensi yang terkait dengannya.

Dalam majalah Integrasi aplikasi bagian, Anda dapat menemukan permintaan dan tanggapan untuk teks yang dianalisis.

Gunakan Sentimen Tertarget secara terprogram

Untuk memulai API sinkron secara terprogram, Anda memiliki dua opsi:

• deteksi-target-sentimen – API ini memberikan sentimen yang ditargetkan untuk satu dokumen teks
• deteksi-batch-target-sentimen – API ini memberikan sentimen yang ditargetkan untuk daftar dokumen

Anda dapat berinteraksi dengan API dengan Antarmuka Baris Perintah AWS (AWS CLI) atau melalui AWS SDK. Sebelum memulai, pastikan Anda telah mengonfigurasi AWS CLI, dan memiliki izin yang diperlukan untuk berinteraksi dengan Amazon Comprehend.

API sinkron Targeted Sentimen memerlukan dua parameter permintaan untuk diteruskan:

• Kode Bahasa – Bahasa teks
• Teks atau TextList – Teks UTF-8 yang diproses

Kode berikut adalah contoh untuk detect-targeted-sentiment Lebah:

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

Berikut ini adalah contoh untuk batch-detect-targeted-sentiment Lebah:

{

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

}

Sekarang mari kita lihat beberapa contoh perintah AWS CLI.

Kode berikut adalah contoh untuk detect-targeted-sentiment Lebah:

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

Berikut ini adalah contoh untuk batch-detect-targeted-sentiment Lebah:

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

Berikut ini adalah contoh panggilan API Boto3 SDK:

import boto3
import subprocess

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

Berikut ini adalah contoh dari detect-targeted-sentiment Lebah:

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

Berikut ini adalah contoh dari batch-detect-targeted-sentiment Lebah:

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

Untuk detail selengkapnya tentang sintaks API, lihat Panduan Pengembang Amazon Comprehend.

Struktur respons API

Targeted Sentiment API menyediakan cara sederhana untuk menggunakan output dari pekerjaan Anda. Ini memberikan pengelompokan logis dari entitas (grup entitas) yang terdeteksi, bersama dengan sentimen untuk setiap entitas. Berikut ini adalah beberapa definisi dari field yang ada di response:

• entitas – Bagian penting dari dokumen. Sebagai contoh, Person, Place, Date, Food, atau Taste.
• Mention – Referensi atau penyebutan entitas dalam dokumen. Ini bisa berupa kata ganti atau kata benda umum seperti “itu”, “dia”, “buku”, dan seterusnya. Ini diatur dalam urutan berdasarkan lokasi (offset) dalam dokumen.
• DeskriptifMentionIndex – Indeks dalam Mentions yang memberikan gambaran terbaik dari grup entitas. Misalnya, "ABC Hotel" alih-alih "hotel", "it", atau penyebutan kata benda umum lainnya.
• Skor Grup – Keyakinan bahwa semua entitas yang disebutkan dalam grup terkait dengan entitas yang sama (seperti “saya”, “saya”, dan “saya sendiri” merujuk pada satu orang).
• Teks – Teks dalam dokumen yang menggambarkan entitas.
• Tipe – Deskripsi tentang apa yang digambarkan entitas.
• Skor – Model keyakinan bahwa ini adalah entitas yang relevan.
• SebutkanSentimen – Sentimen aktual yang ditemukan untuk penyebutan tersebut.
• Sentimen – Nilai string positif, netral, negatif, atau campuran.
• SentimenScore – Model kepercayaan untuk setiap kemungkinan sentimen.
• MulaiOffset – Offset ke dalam teks dokumen tempat penyebutan dimulai.
• AkhirOffset – Offset ke dalam teks dokumen tempat penyebutan berakhir.

Untuk rincian lebih rinci, lihat Ekstrak sentimen granular dalam teks dengan Amazon Comprehend Targeted Sentimen or Organisasi file keluaran.

Kesimpulan

Analisis sentimen tetap penting bagi organisasi karena berbagai alasan—mulai dari melacak sentimen pelanggan dari waktu ke waktu untuk bisnis, hingga menyimpulkan apakah suatu produk disukai atau tidak, hingga memahami pendapat pengguna jejaring sosial terhadap topik tertentu, atau bahkan memprediksi hasil kampanye. Sentimen yang ditargetkan secara real-time bisa efektif untuk bisnis, memungkinkan mereka untuk melampaui analisis sentimen keseluruhan untuk mengeksplorasi wawasan guna mendorong pengalaman pelanggan menggunakan Amazon Comprehend.

Untuk mempelajari lebih lanjut tentang Sentimen Tertarget untuk Amazon Comprehend, lihat Sentimen yang ditargetkan.

Tentang penulis

Raja Pathak adalah Arsitek Solusi dan penasihat Teknis untuk pelanggan Fortune 50 dan FSI (Perbankan, Asuransi, Pasar Modal) Menengah di Kanada dan Amerika Serikat. Raj berspesialisasi dalam Pembelajaran Mesin dengan aplikasi dalam Ekstraksi Dokumen, Transformasi Pusat Kontak, dan Visi Komputer.

Wrick Talukdar adalah Arsitek Senior dengan tim Amazon Comprehend Service. Dia bekerja dengan pelanggan AWS untuk membantu mereka mengadopsi pembelajaran mesin dalam skala besar. Di luar pekerjaan, dia suka membaca dan fotografi.