Amazon Comprehend Targeted Sentiment מוסיפה תמיכה סינכרונית

מוקדם יותר השנה, אמזון להתבונן, שירות עיבוד שפה טבעית (NLP) המשתמש בלמידה חישובית (ML) כדי לגלות תובנות מטקסט, השיקה את תכונת הרגשות הממוקדים. עם סנטימנט ממוקד, אתה יכול לזהות קבוצות של אזכורים (קבוצות ייחוס משותפות) המתאימות לישות או תכונה בודדת בעולם האמיתי, לספק את הסנטימנט המשויך לכל אזכור של ישות, ולהציע את הסיווג של הישות בעולם האמיתי בהתבסס על רשימה קבועה מראש של ישויות.

היום, אנו נרגשים להכריז על ה-API הסינכרוני החדש לסנטימנט ממוקד באמזון Comprehend, המספק הבנה מפורטת של הסנטימנטים הקשורים לישויות ספציפיות במסמכי קלט.

בפוסט זה, אנו מספקים סקירה כללית של איך אתה יכול להתחיל עם ה-API סינכרוני של Amazon Comprehend Targeted Sentiment, לעבור על מבנה הפלט ולדון בשלושה מקרי שימוש נפרדים.

מקרי שימוש ממוקדים בסנטימנטים

לניתוח סנטימנטים ממוקד בזמן אמת ב- Amazon Comprehend יש מספר יישומים כדי לאפשר תובנות מדויקות וניתנות להרחבה על המותג והמתחרים. אתה יכול להשתמש בסנטימנט ממוקד לתהליכים קריטיים לעסקים כגון מחקר שוק חי, הפקת חווית מותג ושיפור שביעות רצון הלקוחות.

להלן דוגמה לשימוש בסנטימנט ממוקד עבור ביקורת סרט.

"סרט" הוא הישות הראשית, המזוהה כסוג movie, ומוזכר פעמיים נוספות כ"סרט" וכינוי "זה". ה-API של Targeted Sentiment מספק את הסנטימנט כלפי כל ישות. ירוק מתייחס לסנטימנט חיובי, אדום עבור שלילי וכחול עבור ניטרלי.

ניתוח מסורתי מספק סנטימנט של הטקסט הכולל, שבמקרה זה הוא מעורב. עם סנטימנט ממוקד, אתה יכול לקבל תובנות מפורטות יותר. בתרחיש זה, הסנטימנט כלפי הסרט הוא חיובי ושלילי כאחד: חיובי ביחס לשחקנים, אך שלילי ביחס לאיכות הכללית. זה יכול לספק משוב ממוקד לצוות הקולנוע, כמו להקפיד יותר בכתיבת תסריט, אבל לשקול את השחקנים לתפקידים עתידיים.

יישומים בולטים של ניתוח סנטימנטים בזמן אמת ישתנו בין התעשיות. זה כולל חילוץ של תובנות שיווקיות ולקוחות מעדכונים חיים של מדיה חברתית, סרטונים, אירועים חיים או שידורים, הבנת רגשות למטרות מחקר או הרתעת בריונות ברשת. סנטימנט ממוקד סינכרוני מניע ערך עסקי על ידי מתן משוב בזמן אמת תוך שניות, כך שתוכל לקבל החלטות בזמן אמת.

בואו נסתכל מקרוב על יישומי ניתוח סנטימנטים ממוקדים בזמן אמת שונים וכיצד תעשיות שונות עשויות להשתמש בהם:

• תרחיש 1 - כריית דעות של מסמכים פיננסיים כדי לקבוע סנטימנט כלפי מניה, אדם או ארגון
• תרחיש 2 - ניתוח מוקד טלפוני בזמן אמת לקביעת סנטימנט פרטני באינטראקציות עם לקוחות
• תרחיש 3 - ניטור משוב על ארגון או מוצר על פני מדיה חברתית וערוצים דיגיטליים, ומתן תמיכה והחלטות בזמן אמת

בסעיפים הבאים, נדון בכל מקרה שימוש ביתר פירוט.

תרחיש 1: כריית דעות פיננסיות והפקת אותות מסחר

ניתוח סנטימנטים הוא חיוני עבור עושי שוק וחברות השקעות בעת בניית אסטרטגיות מסחר. קביעת סנטימנט פרטני יכולה לעזור לסוחרים להסיק איזו תגובה עשויה להיות לשוק כלפי אירועים גלובליים, החלטות עסקיות, אנשים פרטיים והכוונה בתעשייה. סנטימנט זה יכול להיות גורם מכריע אם לקנות או למכור מניה או סחורה.

כדי לראות כיצד נוכל להשתמש ב-Targeted Sentiment API בתרחישים אלה, הבה נסתכל על הצהרה של יו"ר הפדרל ריזרב ג'רום פאוול על אינפלציה.

כפי שאנו יכולים לראות בדוגמה, הבנת הסנטימנט כלפי אינפלציה יכולה להודיע ​​על החלטת קנייה או מכירה. בתרחיש זה, ניתן להסיק מה-API של Targeted Sentiment שדעתו של היו"ר פאוול על האינפלציה היא שלילית, וככל הנראה הדבר יביא לריבית גבוהה יותר שתאט את הצמיחה הכלכלית. עבור רוב הסוחרים, זה עלול לגרום להחלטת מכירה. ה-API של Targeted Sentiment יכול לספק לסוחרים תובנה מהירה ומפורטת יותר מאשר סקירת מסמכים מסורתית, ובתעשייה שבה המהירות היא קריטית, היא יכולה להביא לערך עסקי משמעותי.

להלן ארכיטקטורת ייחוס לשימוש בסנטימנט ממוקד בכריית חוות דעת פיננסיות ותרחישי יצירת אותות מסחר.

תרחיש 2: ניתוח מרכז קשר בזמן אמת

חווית מרכז קשר חיובית היא חיונית במתן חווית לקוח חזקה. כדי לעזור להבטיח חוויות חיוביות ופרודוקטיביות, אתה יכול ליישם ניתוח סנטימנטים כדי לאמוד את תגובות הלקוחות, את מצבי הרוח המשתנים של הלקוחות לאורך כל האינטראקציה, ואת האפקטיביות של זרימות העבודה של מרכז הקשר והדרכת עובדים. עם ה-API של Targeted Sentiment, אתה יכול לקבל מידע מפורט בתוך ניתוח הסנטימנט של מרכז הקשר שלך. לא רק שאנו יכולים לקבוע את תחושת האינטראקציה, אלא כעת אנו יכולים לראות מה גרם לתגובה השלילית או החיובית ולנקוט את הפעולה המתאימה.

אנו מדגימים זאת בתמלילים הבאים של לקוח שהחזיר טוסטר לא תקין. עבור דוגמה זו, אנו מציגים הצהרות לדוגמה שהלקוח עושה.

כפי שאנו יכולים לראות, השיחה מתחילה די שלילית. עם ה-API של Targeted Sentiment, אנו יכולים לקבוע את שורש הסנטימנט השלילי ולראות שמדובר בטוסטר לא תקין. אנו יכולים להשתמש במידע זה כדי להפעיל זרימות עבודה מסוימות, או לנתב למחלקות שונות.

דרך השיחה, אנו יכולים גם לראות שהלקוח לא היה קשוב להצעה של כרטיס מתנה. אנו יכולים להשתמש במידע זה כדי לשפר את הכשרת הסוכנים, להעריך מחדש אם עלינו להעלות את הנושא בתרחישים אלה, או להחליט אם יש לשאול את השאלה הזו רק עם סנטימנט ניטרלי או חיובי יותר.

לבסוף, אנו יכולים לראות שהשירות שניתן על ידי הסוכן התקבל בחיוב למרות שהלקוח עדיין התעצבן על הטוסטר. אנו יכולים להשתמש במידע זה כדי לאמת הכשרת סוכנים ולתגמל ביצועים חזקים של סוכנים.

להלן ארכיטקטורת ייחוס המשלבת סנטימנט ממוקד בניתוח מרכז קשר בזמן אמת.

תרחיש 3: ניטור מדיה חברתית לאיתור סנטימנט לקוחות

קליטה במדיה חברתית יכולה להיות גורם מכריע לצמיחת המוצר והארגון. מעקב אחר האופן שבו הלקוחות מגיבים להחלטות החברה, השקות מוצרים או מסעות פרסום שיווקיים הוא קריטי בקביעת האפקטיביות.

אנו יכולים להדגים כיצד להשתמש ב-Targeted Sentiment API בתרחיש זה באמצעות סקירות של טוויטר על סט חדש של אוזניות.

בדוגמה זו, ישנן תגובות מעורבות להשקת האוזניות, אך ישנו נושא עקבי של איכות הצליל ירודה. חברות יכולות להשתמש במידע זה כדי לראות כיצד משתמשים מגיבים לתכונות מסוימות ולראות היכן יש לבצע שיפורים במוצר באיטרציות עתידיות.

להלן ארכיטקטורת התייחסות המשתמשת ב-API של Targeted Sentiment לניתוח סנטימנטים במדיה חברתית.

התחל עם סנטימנט ממוקד

כדי להשתמש בסנטימנט ממוקד בקונסולת Amazon Comprehend, בצע את השלבים הבאים:

1. במסוף Comprehend של אמזון, בחר השיק את אמזון קומפרנד.
   
2. בעד הקלד טקסט, הזן כל טקסט שברצונך לנתח.
3. בחרו לנתח.
   

לאחר ניתוח המסמך, ניתן למצוא את הפלט של ה-API של Targeted Sentiment ב- סנטימנט ממוקד כרטיסייה ב תובנה סָעִיף. כאן אתה יכול לראות את הטקסט המנותח, את הסנטימנט המתאים של כל ישות ואת קבוצת ההתייחסות אליה היא משויכת.

ב שילוב יישומים בקטע, תוכל למצוא את הבקשה והתגובה עבור הטקסט המנותח.

השתמש באופן פרוגרמטי בסנטימנט ממוקד

כדי להתחיל עם ה-API הסינכרוני באופן תכנותי, יש לך שתי אפשרויות:

• לזהות-ממוקד-סנטימנט - API זה מספק את הסנטימנט הממוקד עבור מסמך טקסט בודד
• אצווה-זיהוי-סנטימנט ממוקד - API זה מספק את הסנטימנט הממוקד עבור רשימה של מסמכים

אתה יכול ליצור אינטראקציה עם ה-API עם ה- ממשק שורת הפקודה של AWS (AWS CLI) או דרך AWS SDK. לפני שנתחיל, ודא שהגדרת את AWS CLI ויש לך את ההרשאות הנדרשות לאינטראקציה עם Amazon Comprehend.

ה-API הסינכרוני של Targeted Sentiment דורש להעביר שני פרמטרים של בקשה:

• קוד שפה – שפת הטקסט
• טקסט או TextList - טקסט UTF-8 שמעובד

הקוד הבא הוא דוגמה ל- detect-targeted-sentiment API:

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

להלן דוגמה עבור batch-detect-targeted-sentiment API:

{

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

}

עכשיו בואו נסתכל על כמה פקודות AWS CLI לדוגמה.

הקוד הבא הוא דוגמה ל- 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

להלן דוגמה עבור 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

להלן קריאה לדוגמה של Boto3 SDK API:

import boto3
import subprocess

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

להלן דוגמה ל detect-targeted-sentiment API:

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

להלן דוגמה ל 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"]
)

לפרטים נוספים על תחביר ה-API, עיין ב- Amazon Comprehend מדריך למפתחים.

מבנה תגובה של API

ה-API של Targeted Sentiment מספק דרך פשוטה לצרוך את התפוקה של העבודות שלך. הוא מספק קיבוץ לוגי של הישויות (קבוצות הישויות) שזוהו, יחד עם הסנטימנט עבור כל ישות. להלן כמה הגדרות של השדות בתגובה:

• ישויות – החלקים המשמעותיים של המסמך. לדוגמה, Person, Place, Date, Food, או Taste.
• מזכיר – ההפניות או האזכורים של הישות במסמך. אלה יכולים להיות כינויים או שמות עצם נפוצים כגון "זה", "הוא", "ספר" וכן הלאה. אלה מאורגנים לפי מיקום (היסט) במסמך.
• DescriptiveMentionIndex – המדד ב Mentions שנותן את התיאור הטוב ביותר של קבוצת הישות. לדוגמה, "מלון ABC" במקום "מלון", "זה" או אזכור של שם עצם נפוץ אחר.
• GroupScore – הביטחון שכל הישויות המוזכרות בקבוצה קשורות לאותה ישות (כגון "אני", "אני" ו"עצמי" המתייחסים לאדם אחד).
• טקסט – הטקסט במסמך שמתאר את הישות.
• סוּג – תיאור של מה שהישות מתארת.
• ציון – ביטחון המודל שמדובר בישות רלוונטית.
• צייןSentiment – הסנטימנט האמיתי שנמצא לאזכור.
• רגש – ערך המחרוזת של חיובי, ניטרלי, שלילי או מעורב.
• סנטימנטסקור – ביטחון המודל עבור כל סנטימנט אפשרי.
• BeginOffset – ההיסט לטקסט המסמך שבו מתחיל האזכור.
• EndOffset – ההיסט לטקסט המסמך שבו מסתיימת האזכור.

לפירוט מפורט יותר, עיין ב חלץ סנטימנט מפורט בטקסט עם Amazon Comprehend Targeted Sentiment or ארגון קבצי פלט.

סיכום

ניתוח סנטימנטים נותר חיוני עבור ארגונים ממספר עצום של סיבות - ממעקב אחר סנטימנט לקוחות לאורך זמן עבור עסקים, כדי להסיק אם מוצר אוהב או לא אוהב, להבנת דעות של משתמשי רשת חברתית לגבי נושאים מסוימים, או אפילו חיזוי התוצאות של מסעות פרסום. סנטימנט ממוקד בזמן אמת יכול להיות יעיל לעסקים, ולאפשר להם לחרוג מניתוח סנטימנטים כולל כדי לחקור תובנות להנעת חוויות לקוחות באמצעות Amazon Comprehend.

למידע נוסף על סנטימנט ממוקד עבור Amazon Comprehend, עיין ב סנטימנט ממוקד.

על המחברים

ראג' פאתאק הוא אדריכל פתרונות ויועץ טכני ללקוחות Fortune 50 ובינוני FSI (בנקאות, ביטוח, שוקי הון) ברחבי קנדה וארצות הברית. ראג' מתמחה ב-Machine Learning עם יישומים בחילוץ מסמכים, טרנספורמציה במרכזי קשר וראייה ממוחשבת.

וריק טלוקדר הוא אדריכל בכיר בצוות Amazon Comprehend Service. הוא עובד עם לקוחות AWS כדי לעזור להם לאמץ למידת מכונה בקנה מידה גדול. מחוץ לעבודה, הוא נהנה לקרוא ולצלם.