Amazon Comprehend Targeted Sentiment が同期サポートを追加

今年の初め、 Amazon Comprehendは、機械学習 (ML) を使用してテキストから洞察を発見する自然言語処理 (NLP) サービスです。 ターゲットを絞ったセンチメント機能をリリース. ターゲットを絞ったセンチメントを使用すると、単一の実世界のエンティティまたは属性に対応する言及のグループ (相互参照グループ) を識別し、各エンティティの言及に関連付けられたセンチメントを提供し、実世界のエンティティの分類を提供することができます。 事前に決定されたエンティティのリスト.

本日、Amazon Comprehend のターゲットを絞った感情のための新しい同期 API を発表できることを嬉しく思います。これにより、入力ドキュメント内の特定のエンティティに関連付けられた感情を詳細に理解できます。

この投稿では、Amazon Comprehend Targeted Sentiment 同期 API の使用を開始する方法の概要を提供し、出力構造を順を追って説明し、XNUMX つの個別のユースケースについて説明します。

ターゲットを絞った感情のユースケース

Amazon Comprehend のリアルタイムのターゲットを絞った感情分析には、正確でスケーラブルなブランドと競合他社の洞察を可能にするいくつかのアプリケーションがあります。 ライブ市場調査、ブランド エクスペリエンスの作成、顧客満足度の向上など、ビジネスに不可欠なプロセスに的を絞ったセンチメントを使用できます。

以下は、映画のレビューに的を絞った感情を使用する例です。

「映画」は主要なエンティティであり、タイプとして識別されます movie、そして「映画」と代名詞「それ」としてさらにXNUMX回言及されています。 Targeted Sentiment API は、各エンティティに対するセンチメントを提供します。 緑はポジティブな感情、赤はネガティブな感情、青はニュートラルな感情を表します。

従来の分析では、テキスト全体のセンチメントが提供されますが、この場合は混合されています。 ターゲットを絞ったセンチメントを使用すると、より詳細な洞察を得ることができます。 このシナリオでは、映画に対する感情は肯定的でも否定的でもあります。俳優に関しては肯定的ですが、全体的な品質に関しては否定的です。 これにより、映画チームに的を絞ったフィードバックを提供できます。たとえば、脚本の執筆にもっと熱心に取り組む一方で、将来の役割のために俳優を検討するなどです。

リアルタイムのセンチメント分析の主な用途は、業界によって異なります。 これには、ライブのソーシャル メディア フィード、ビデオ、ライブ イベント、またはブロードキャストからマーケティングおよび顧客の洞察を抽出すること、調査目的で感情を理解すること、またはネットいじめを抑止することが含まれます。 同期的で対象を絞ったセンチメントは、数秒以内にリアルタイムのフィードバックを提供することでビジネス価値を高め、リアルタイムで意思決定を行うことができます。

これらのさまざまなリアルタイムのターゲットを絞った感情分析アプリケーションと、さまざまな業界での使用方法を詳しく見てみましょう。

• シナリオ1 – 株式、個人、または組織に対するセンチメントを判断するための財務文書の意見マイニング
• シナリオ2 – リアルタイムのコール センター分析により、顧客とのやり取りにおける詳細なセンチメントを判断
• シナリオ3 – ソーシャル メディアやデジタル チャネル全体で組織または製品のフィードバックを監視し、リアルタイムのサポートと解決策を提供する

以下のセクションでは、各ユースケースについて詳しく説明します。

シナリオ 1: 財務意見のマイニングと取引シグナルの生成

感情分析は、取引戦略を構築する際に、マーケットメーカーや投資会社にとって非常に重要です。 詳細なセンチメントを判断することで、トレーダーは、グローバルなイベント、ビジネス上の意思決定、個人、および業界の方向性に対して市場がどのような反応を示すかを推測することができます。 このセンチメントは、株や商品を売買するかどうかの決定要因になる可能性があります。

これらのシナリオで Targeted Sentiment API をどのように使用できるかを確認するために、連邦準備制度理事会のジェローム パウエル議長のインフレに関する声明を見てみましょう。

例でわかるように、インフレに対するセンチメントを理解することで、購入または売却の決定を下すことができます。 このシナリオでは、Targeted Sentiment API から、インフレに対するパウエル議長の意見は否定的であると推測でき、これにより金利が上昇し、経済成長が鈍化する可能性が最も高くなります。 ほとんどのトレーダーにとって、これは売りの決定につながる可能性があります. Targeted Sentiment API は、従来のドキュメント レビューよりも迅速かつ詳細な洞察をトレーダーに提供できます。スピードが重要な業界では、実質的なビジネス価値をもたらすことができます。

以下は、金融意見マイニングおよび取引シグナル生成シナリオでターゲットを絞ったセンチメントを使用するための参照アーキテクチャです。

シナリオ 2: リアルタイムのコンタクト センター分析

ポジティブなコンタクト センター エクスペリエンスは、強力なカスタマー エクスペリエンスを提供する上で非常に重要です。 肯定的で生産的なエクスペリエンスを確保するために、センチメント分析を実装して、顧客の反応、対話中の顧客の気分の変化、およびコンタクト センターのワークフローと従業員トレーニングの有効性を測定できます。 Targeted Sentiment API を使用すると、コンタクト センターのセンチメント分析で詳細な情報を取得できます。 インタラクションの感情を判断できるだけでなく、否定的または肯定的な反応の原因を特定し、適切なアクションを実行できるようになりました。

これは、故障したトースターを返品したお客様の次の写しで実証されています。 この例では、顧客が作成しているサンプル ステートメントを示します。

ご覧のとおり、会話はかなり否定的に始まります。 Targeted Sentiment API を使用すると、否定的な感情の根本原因を特定し、それがトースターの故障に関するものであることがわかります。 この情報を使用して、特定のワークフローを実行したり、別の部門にルーティングしたりできます。

会話を通じて、顧客がギフトカードの提供を受け入れなかったことがわかります。 この情報を使用して、エージェントのトレーニングを改善したり、これらのシナリオでトピックを取り上げるべきかどうかを再評価したり、この質問をより中立的または肯定的な感情でのみ行うべきかどうかを決定したりできます。

最後に、顧客はまだトースターに不満を持っていましたが、エージェントによって提供されたサービスは肯定的に受け取られたことがわかります。 この情報を使用して、エージェントのトレーニングを検証し、エージェントの優れたパフォーマンスに報いることができます。

以下は、ターゲットを絞ったセンチメントをリアルタイムのコンタクト センター分析に組み込んだリファレンス アーキテクチャです。

シナリオ 3: ソーシャル メディアで顧客の感情を監視する

ソーシャル メディアの受容は、製品と組織の成長の決定要因となる可能性があります。 会社の決定、製品の発売、またはマーケティング キャンペーンに対する顧客の反応を追跡することは、有効性を判断する上で重要です。

このシナリオで Targeted Sentiment API を使用する方法を示すには、新しいヘッドホン セットの Twitter レビューを使用します。

この例では、ヘッドフォンの発売に対するさまざまな反応がありますが、音質が悪いという一貫したテーマがあります。 企業はこの情報を使用して、ユーザーが特定の属性にどのように反応しているかを確認し、将来の反復で製品を改善する必要がある場所を確認できます。

以下は、ソーシャル メディアの感情分析に Targeted Sentiment API を使用した参照アーキテクチャです。

ターゲットを絞ったセンチメントを始める

Amazon Comprehend コンソールで対象を絞ったセンチメントを使用するには、次の手順を実行します。

1. Amazon Comprehendコンソールで、 AmazonComprehendを起動します.
   
2. 入力テキストで、分析するテキストを入力します。
3. 選択する 解析.
   

ドキュメントが分析された後、Targeted Sentiment API の出力は、 的を絞った感情 のタブ 分析 セクション。 ここでは、分析されたテキスト、各エンティティのそれぞれの感情、および関連付けられている参照グループを確認できます。

アプリケーション統合 セクションでは、分析されたテキストのリクエストとレスポンスを見つけることができます。

ターゲットを絞ったセンチメントをプログラムで使用する

プログラムで同期 API を使い始めるには、次の XNUMX つのオプションがあります。

• ターゲットを絞った感情の検出 – この API は、単一のテキスト ドキュメントに的を絞った感情を提供します
• バッチ検出対象の感情 – この API は、ドキュメントのリストに的を絞った感情を提供します

を使用して API を操作できます。 AWSコマンドラインインターフェイス (AWS CLI) または AWS SDK を介して。 開始する前に、AWS CLI が設定されており、Amazon Comprehend と対話するために必要なアクセス許可があることを確認してください。

Targeted Sentiment 同期 API では、次の XNUMX つの要求パラメーターを渡す必要があります。

• 言語コード – テキストの言語
• テキストまたは TextList – 処理される UTF-8 テキスト

次のコードは、 detect-targeted-sentiment API：

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

以下は、 batch-detect-targeted-sentiment API：

{

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

}

次に、AWS CLI コマンドのサンプルをいくつか見てみましょう。

次のコードは、 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

以下は、 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

以下は、サンプルの Boto3 SDK API 呼び出しです。

import boto3
import subprocess

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

以下は、 detect-targeted-sentiment API：

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

以下は、 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"]
)

API 構文の詳細については、 AmazonComprehend開発者ガイド.

API応答構造

Targeted Sentiment APIは、ジョブの出力を消費する簡単な方法を提供します。 検出されたエンティティ（エンティティグループ）の論理グループと、各エンティティの感情を提供します。 以下は、応答に含まれるフィールドの定義です。

• エンティティ –ドキュメントの重要な部分。 例えば、 Person, Place, Date, Foodまたは Taste.
• メンション –ドキュメント内のエンティティの参照または言及。 これらは、「it」、「him」、「book」などの代名詞または一般的な名詞にすることができます。 これらは、ドキュメント内の場所（オフセット）順に整理されています。
• 説明的な言及インデックス –のインデックス Mentions これにより、エンティティグループを最もよく表すことができます。 たとえば、「hotel」、「it」、またはその他の普通名詞の代わりに「ABCHotel」を使用します。
• グループスコア –グループ内で言及されているすべてのエンティティが同じエンティティに関連しているという確信（「私」、「私」、「自分」など、XNUMX人の人物を指す）。
• テキスト – エンティティを表すドキュメント内のテキスト。
• タイプ –エンティティが表すものの説明。
• スコア –これが関連エンティティであるというモデルの信頼度。
• メンションセンチメント –言及のために見つかった実際の感情。
• 感情 – ポジティブ、ニュートラル、ネガティブ、または混合の文字列値。
• センチメントスコア –考えられる各感情のモデルの信頼度。
• 開始オフセット –言及が始まるドキュメントテキストへのオフセット。
• 終了オフセット –言及が終了するドキュメントテキストへのオフセット。

より詳細な内訳については、を参照してください。 Amazon ComprehendTargetedSentimentを使用してテキストで詳細な感情を抽出します or 出力ファイル構成.

まとめ

感情分析は、ビジネスに対する顧客の感情を経時的に追跡することから、製品が好きか嫌いかを推測すること、特定のトピックに対するソーシャルネットワークのユーザーの意見を理解すること、または結果を予測することまで、無数の理由で組織にとって依然として重要です。キャンペーン。 リアルタイムのターゲットを絞ったセンチメントは企業にとって効果的であり、全体的なセンチメント分析を超えて、Amazon Comprehend を使用して顧客体験を促進するための洞察を探ることができます。

Amazon Comprehend のターゲットを絞ったセンチメントの詳細については、以下を参照してください。 的を絞った感情.

著者について

ラジ・パタク は、カナダと米国のFortune 50および中規模FSI（銀行、保険、資本市場）の顧客のソリューションアーキテクトおよびテクニカルアドバイザーです。 Rajは、ドキュメント抽出、コンタクトセンター変換、コンピュータービジョンのアプリケーションを使用した機械学習を専門としています。

ウリック・タルクダー Amazon Comprehend Service チームのシニア アーキテクトです。 彼は AWS のお客様と協力して、大規模な機械学習の導入を支援しています。 仕事以外では、読書と写真を楽しんでいます。