Amazon Comprehend Targeted Sentiment voegt synchrone ondersteuning toe

Eerder dit jaar, Amazon begrijpt het, een natuurlijke taalverwerkingsservice (NLP) die machine learning (ML) gebruikt om inzichten uit tekst te ontdekken, lanceerde de functie gericht sentiment. Met Targeted Sentiment kunt u groepen van vermeldingen (co-referentiegroepen) identificeren die overeenkomen met een enkele echte entiteit of attribuut, het sentiment leveren dat is gekoppeld aan elke entiteitsvermelding en de classificatie van de echte entiteit aanbieden op basis van een vooraf bepaalde lijst van entiteiten.

Vandaag kondigen we met trots de nieuwe synchrone API voor gericht sentiment in Amazon Comprehend aan, die een gedetailleerd inzicht geeft in de sentimenten die zijn gekoppeld aan specifieke entiteiten in invoerdocumenten.

In dit bericht geven we een overzicht van hoe je aan de slag kunt met de Amazon Comprehend Targeted Sentiment synchrone API, door de outputstructuur lopen en drie afzonderlijke use-cases bespreken.

Gerichte gebruiksscenario's voor sentiment

Realtime gerichte sentimentanalyse in Amazon Comprehend heeft verschillende toepassingen om nauwkeurige en schaalbare merk- en concurrentinzichten mogelijk te maken. U kunt gericht sentiment gebruiken voor bedrijfskritieke processen zoals live marktonderzoek, het produceren van merkbeleving en het verbeteren van de klanttevredenheid.

Het volgende is een voorbeeld van het gebruik van gericht sentiment voor een filmrecensie.

"Film" is de primaire entiteit, geïdentificeerd als type movie, en wordt nog twee keer genoemd als 'film' en het voornaamwoord 'het'. De Targeted Sentiment API geeft het sentiment ten opzichte van elke entiteit. Groen verwijst naar een positief sentiment, rood voor negatief en blauw voor neutraal.

Traditionele analyse levert sentiment van de algemene tekst, die in dit geval gemengd is. Met gericht sentiment kunt u gedetailleerdere inzichten krijgen. In dit scenario is het sentiment ten opzichte van de film zowel positief als negatief: positief voor de acteurs, maar negatief voor de algehele kwaliteit. Dit kan gerichte feedback opleveren voor het filmteam, bijvoorbeeld om meer zorgvuldigheid te betrachten bij het schrijven van scripts, maar om de acteurs te overwegen voor toekomstige rollen.

Prominente toepassingen van realtime sentimentanalyse zullen per bedrijfstak verschillen. Het omvat het extraheren van marketing- en klantinzichten uit live feeds, video's, live-evenementen of uitzendingen van sociale media, het begrijpen van emoties voor onderzoeksdoeleinden of het afschrikken van cyberpesten. Synchroon gericht sentiment verhoogt de bedrijfswaarde door binnen enkele seconden realtime feedback te geven, zodat u in realtime beslissingen kunt nemen.

Laten we deze verschillende realtime gerichte toepassingen voor sentimentanalyse eens nader bekijken en hoe verschillende industrieën ze kunnen gebruiken:

• Scenario 1 - Opiniemining van financiële documenten om het sentiment ten opzichte van een aandeel, persoon of organisatie te bepalen
• Scenario 2 – Realtime callcenteranalyses om gedetailleerd sentiment in klantinteracties te bepalen
• Scenario 3 – Monitoring van organisatie- of productfeedback via sociale media en digitale kanalen, en realtime ondersteuning en oplossingen bieden

In de volgende paragrafen bespreken we elke use-case in meer detail.

Scenario 1: Mining van financiële opinies en het genereren van handelssignalen

Sentimentanalyse is cruciaal voor marketmakers en beleggingsondernemingen bij het ontwikkelen van handelsstrategieën. Door het gedetailleerde sentiment te bepalen, kunnen handelaren afleiden welke reactie de markt kan hebben op wereldwijde gebeurtenissen, zakelijke beslissingen, individuen en de richting van de industrie. Dit sentiment kan een bepalende factor zijn bij het kopen of verkopen van een aandeel of grondstof.

Om te zien hoe we de Targeted Sentiment API in deze scenario's kunnen gebruiken, laten we eens kijken naar een verklaring van Federal Reserve-voorzitter Jerome Powell over inflatie.

Zoals we in het voorbeeld kunnen zien, kan inzicht in het sentiment ten opzichte van inflatie een koop- of verkoopbeslissing informeren. In dit scenario kan uit de Targeted Sentiment API worden afgeleid dat de mening van voorzitter Powell over inflatie negatief is, en dit zal hoogstwaarschijnlijk resulteren in hogere rentetarieven die de economische groei vertragen. Voor de meeste handelaren kan dit resulteren in een verkoopbeslissing. De Targeted Sentiment API kan handelaren sneller en gedetailleerder inzicht bieden dan een traditionele documentbeoordeling, en in een branche waar snelheid cruciaal is, kan dit resulteren in substantiële bedrijfswaarde.

Het volgende is een referentiearchitectuur voor het gebruik van gericht sentiment in scenario's voor het genereren van financiële opinies en het genereren van handelssignalen.

Scenario 2: Realtime analyse van het contactcenter

Een positieve contactcenterervaring is cruciaal voor het leveren van een sterke klantervaring. Om te zorgen voor positieve en productieve ervaringen, kunt u sentimentanalyse implementeren om de reacties van klanten, de veranderende stemmingen van klanten gedurende de interactie en de effectiviteit van contactcenterworkflows en training van werknemers te meten. Met de Targeted Sentiment API kunt u gedetailleerde informatie krijgen binnen de sentimentanalyse van uw contactcenter. We kunnen niet alleen het sentiment van de interactie bepalen, maar nu kunnen we zien wat de negatieve of positieve reactie heeft veroorzaakt en de juiste actie ondernemen.

We demonstreren dit met de volgende transcripties van een klant die een defecte broodrooster retourneert. Voor dit voorbeeld tonen we voorbeelduitspraken die de klant doet.

Zoals we kunnen zien, begint het gesprek nogal negatief. Met de Targeted Sentiment API kunnen we de hoofdoorzaak van het negatieve sentiment bepalen en zien dat het gaat om een ​​defecte broodrooster. We kunnen deze informatie gebruiken om bepaalde workflows uit te voeren, of om naar verschillende afdelingen te sturen.

Door het gesprek kunnen we ook zien dat de klant niet ontvankelijk was voor het aanbod van een cadeaubon. We kunnen deze informatie gebruiken om de training van agenten te verbeteren, opnieuw te evalueren of we het onderwerp in deze scenario's zelfs maar ter sprake moeten brengen, of beslissen of deze vraag alleen met een meer neutraal of positief sentiment moet worden gesteld.

Ten slotte kunnen we zien dat de service die door de agent werd geleverd positief werd ontvangen, hoewel de klant nog steeds boos was over de broodrooster. We kunnen deze informatie gebruiken om de training van agenten te valideren en sterke prestaties van agenten te belonen.

Het volgende is een referentiearchitectuur die gericht sentiment opneemt in realtime contactcenteranalyses.

Scenario 3: Sociale media monitoren op klantsentiment

Ontvangst van sociale media kan een beslissende factor zijn voor product- en organisatiegroei. Het bijhouden van hoe klanten reageren op bedrijfsbeslissingen, productlanceringen of marketingcampagnes is van cruciaal belang bij het bepalen van de effectiviteit.

We kunnen demonstreren hoe we de Targeted Sentiment API in dit scenario kunnen gebruiken door Twitter-recensies van een nieuwe koptelefoon te gebruiken.

In dit voorbeeld zijn er gemengde reacties op de lancering van de koptelefoon, maar er is een consistent thema dat de geluidskwaliteit slecht is. Bedrijven kunnen deze informatie gebruiken om te zien hoe gebruikers reageren op bepaalde kenmerken en om te zien waar productverbeteringen moeten worden aangebracht in toekomstige iteraties.

Het volgende is een referentiearchitectuur die gebruikmaakt van de Targeted Sentiment API voor analyse van het sentiment op sociale media.

Aan de slag met gericht sentiment

Voer de volgende stappen uit om gericht sentiment te gebruiken op de Amazon Comprehend-console:

1. Kies op de Amazon Comprehend-console Start Amazon Comprehend.
   
2. Voor Invoertekst, voer de tekst in die u wilt analyseren.
3. Kies Analyseren.
   

Nadat het document is geanalyseerd, is de uitvoer van de Targeted Sentiment API te vinden op de: Gericht sentiment tab in de Insights sectie. Hier ziet u de geanalyseerde tekst, het respectieve sentiment van elke entiteit en de referentiegroep waaraan deze is gekoppeld.

In het Applicatie-integratie sectie vindt u het verzoek en het antwoord voor de geanalyseerde tekst.

Programmatisch gericht sentiment gebruiken

Om programmatisch aan de slag te gaan met de synchrone API, hebt u twee opties:

• detecteer-gericht-sentiment – Deze API biedt het gerichte sentiment voor een enkel tekstdocument
• batch-detect-gericht-sentiment – Deze API biedt het gerichte sentiment voor een lijst met documenten

U kunt met de API communiceren met de AWS-opdrachtregelinterface (AWS CLI) of via de AWS SDK. Voordat we beginnen, moet u ervoor zorgen dat u de AWS CLI hebt geconfigureerd en dat u over de vereiste machtigingen beschikt om met Amazon Comprehend te communiceren.

De Targeted Sentiment synchrone API vereist dat twee verzoekparameters worden doorgegeven:

• Taalcode – De taal van de tekst
• Tekst of TextList - De UTF-8-tekst die wordt verwerkt

De volgende code is een voorbeeld voor de detect-targeted-sentiment API:

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

Het volgende is een voorbeeld voor de batch-detect-targeted-sentiment API:

{

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

}

Laten we nu eens kijken naar enkele voorbeelden van AWS CLI-opdrachten.

De volgende code is een voorbeeld voor de 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

Het volgende is een voorbeeld voor de 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

Het volgende is een voorbeeld van een Boto3 SDK API-aanroep:

import boto3
import subprocess

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

Het volgende is een voorbeeld van de detect-targeted-sentiment API:

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

Het volgende is een voorbeeld van de 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"]
)

Voor meer details over de API-syntaxis, raadpleeg de Amazon Comprehend-handleiding voor ontwikkelaars.

API-responsstructuur

De Targeted Sentiment API biedt een eenvoudige manier om de uitvoer van uw taken te consumeren. Het biedt een logische groepering van de gedetecteerde entiteiten (entiteitsgroepen), samen met het sentiment voor elke entiteit. Hieronder volgen enkele definities van de velden die in het antwoord staan:

• Entiteiten – De significante delen van het document. Bijvoorbeeld, Person, Place, Date, Foodof Taste.
• Mentions – De referenties of vermeldingen van de entiteit in het document. Dit kunnen voornaamwoorden of gewone zelfstandige naamwoorden zijn, zoals 'het', 'hem', 'boek', enzovoort. Deze zijn gerangschikt op locatie (offset) in het document.
• BeschrijvendeVermeldingIndex – De index in Mentions die de beste weergave van de entiteitsgroep geeft. Bijvoorbeeld 'ABC Hotel' in plaats van 'hotel', 'it' of andere vermeldingen van gewone zelfstandige naamwoorden.
• Groepsscore – Het vertrouwen dat alle entiteiten die in de groep worden genoemd, verband houden met dezelfde entiteit (zoals 'ik', 'mij' en 'mezelf' die verwijzen naar één persoon).
• Tekst – De tekst in het document die de entiteit weergeeft.
• Type – Een beschrijving van wat de entiteit afbeeldt.
• Score – Het modelvertrouwen dat dit een relevante entiteit is.
• Noem Sentiment – Het werkelijke gevoel dat voor de vermelding is gevonden.
• Sentiment – De tekenreekswaarde van positief, neutraal, negatief of gemengd.
• SentimentScore – Het modelvertrouwen voor elk mogelijk sentiment.
• Beginoffset – De offset in de documenttekst waar de vermelding begint.
• Eindoffset – De offset in de documenttekst waar de vermelding eindigt.

Voor een meer gedetailleerde uitsplitsing, zie: Extraheer granulair sentiment in tekst met Amazon Comprehend Targeted Sentiment or Organisatie van uitvoerbestanden.

Conclusie

Sentimentanalyse blijft om talloze redenen cruciaal voor organisaties: van het volgen van het klantsentiment in de loop van de tijd voor bedrijven, tot het afleiden of een product leuk of niet leuk is, tot het begrijpen van de mening van gebruikers van een sociaal netwerk over bepaalde onderwerpen, of zelfs het voorspellen van de resultaten van campagnes. Realtime gericht sentiment kan effectief zijn voor bedrijven, waardoor ze verder kunnen gaan dan algemene sentimentanalyse om inzichten te verkennen om klantervaringen te stimuleren met Amazon Comprehend.

Voor meer informatie over Targeted Sentiment for Amazon Comprehend, zie: Gericht sentiment.

Over de auteurs

Raj Pathak is Solutions Architect en technisch adviseur voor Fortune 50- en middelgrote FSI-klanten (Banking, Insurance, Capital Markets) in Canada en de Verenigde Staten. Raj is gespecialiseerd in Machine Learning met toepassingen in Document Extraction, Contact Center Transformation en Computer Vision.

Wrick Talukdar is een Senior Architect bij het Amazon Comprehend Service-team. Hij werkt samen met AWS-klanten om hen te helpen machine learning op grote schaal toe te passen. Naast zijn werk houdt hij van lezen en fotograferen.