Amazon Comprehend Targeted Sentiment legger til synkron støtte

Tidligere i år, Amazon Comprehend, en naturlig språkbehandlingstjeneste (NLP) som bruker maskinlæring (ML) for å oppdage innsikt fra tekst, lanserte funksjonen Targeted Sentiment. Med Targeted Sentiment kan du identifisere grupper av omtaler (medreferansegrupper) som tilsvarer en enkelt enhet eller attributt i den virkelige verden, gi sentimentet knyttet til hver enhetsomtale, og tilby klassifiseringen av den virkelige enheten basert på en forhåndsbestemt liste over enheter.

I dag er vi glade for å kunngjøre det nye synkrone API for målrettet sentiment i Amazon Comprehend, som gir en detaljert forståelse av følelsene knyttet til spesifikke enheter i inndatadokumenter.

I dette innlegget gir vi en oversikt over hvordan du kan komme i gang med Amazon Comprehend Targeted Sentiment synchronous API, gå gjennom utdatastrukturen og diskutere tre separate brukstilfeller.

Målrettede sentimentbrukstilfeller

Sanntidsmålrettet sentimentanalyse i Amazon Comprehend har flere applikasjoner for å muliggjøre nøyaktig og skalerbar merkevare- og konkurrentinnsikt. Du kan bruke målrettet sentiment for forretningskritiske prosesser som for eksempel markedsundersøkelser, produsere merkeopplevelse og forbedre kundetilfredsheten.

Følgende er et eksempel på bruk av målrettet følelse for en filmanmeldelse.

"Film" er den primære enheten, identifisert som type movie, og nevnes to ganger til som «film» og pronomenet «det». Targeted Sentiment API gir sentimentet til hver enhet. Grønt refererer til en positiv følelse, rød for negativ og blå for nøytral.

Tradisjonell analyse gir følelsen av den generelle teksten, som i dette tilfellet er blandet. Med målrettet sentiment kan du få mer detaljert innsikt. I dette scenariet er følelsen mot filmen både positiv og negativ: positiv i forhold til skuespillerne, men negativ i forhold til den generelle kvaliteten. Dette kan gi målrettede tilbakemeldinger til filmteamet, for eksempel å utvise mer flid i manusskriving, men å vurdere skuespillerne for fremtidige roller.

Fremtredende anvendelser av sentimentanalyse i sanntid vil variere på tvers av bransjer. Det inkluderer å trekke ut markedsførings- og kundeinnsikt fra live-feeds for sosiale medier, videoer, live-arrangementer eller sendinger, å forstå følelser for forskningsformål eller å avskrekke nettmobbing. Synkron målrettet sentiment skaper forretningsverdi ved å gi sanntidstilbakemeldinger i løpet av sekunder, slik at du kan ta beslutninger i sanntid.

La oss se nærmere på disse ulike sanntidsmålrettede sentimentanalyseapplikasjonene og hvordan ulike bransjer kan bruke dem:

• Scenario 1 – Meningsutvinning av finansielle dokumenter for å bestemme følelser overfor en aksje, person eller organisasjon
• Scenario 2 – Sanntidsanalyse for kundesenter for å bestemme detaljert sentiment i kundeinteraksjoner
• Scenario 3 – Overvåke organisasjons- eller produkttilbakemeldinger på tvers av sosiale medier og digitale kanaler, og gi sanntidsstøtte og løsninger

I de følgende avsnittene diskuterer vi hvert brukstilfelle mer detaljert.

Scenario 1: Utvinning av finansiell mening og generering av handelssignaler

Sentimentanalyse er avgjørende for markedsmakere og verdipapirforetak når de bygger handelsstrategier. Å bestemme granulært sentiment kan hjelpe tradere med å utlede hvilken reaksjon markedet kan ha mot globale hendelser, forretningsbeslutninger, enkeltpersoner og bransjeretninger. Denne følelsen kan være en avgjørende faktor for om du skal kjøpe eller selge en aksje eller vare.

For å se hvordan vi kan bruke Targeted Sentiment API i disse scenariene, la oss se på en uttalelse fra sentralbanksjef Jerome Powell om inflasjon.

Som vi kan se i eksemplet, kan forståelsen av sentimentet mot inflasjon informere en kjøps- eller salgsbeslutning. I dette scenariet kan det utledes av Targeted Sentiment API at styreleder Powells mening om inflasjon er negativ, og dette vil mest sannsynlig føre til at høyere renter bremser økonomisk vekst. For de fleste handelsmenn kan dette resultere i en salgsbeslutning. Targeted Sentiment API kan gi forhandlere raskere og mer detaljert innsikt enn en tradisjonell dokumentgjennomgang, og i en bransje der hastighet er avgjørende, kan det resultere i betydelig forretningsverdi.

Følgende er en referansearkitektur for bruk av målrettet sentiment i finansiell meningsutvinning og scenarier for generering av handelssignaler.

Scenario 2: Sanntidsanalyse av kontaktsenter

En positiv kontaktsenteropplevelse er avgjørende for å levere en sterk kundeopplevelse. For å bidra til å sikre positive og produktive opplevelser, kan du implementere sentimentanalyse for å måle kundereaksjoner, skiftende kundestemninger gjennom varigheten av interaksjonen, og effektiviteten til kontaktsenterarbeidsflyt og opplæring av ansatte. Med Targeted Sentiment API kan du få detaljert informasjon i kontaktsenterets sentimentanalyse. Ikke bare kan vi bestemme følelsen av interaksjonen, men nå kan vi se hva som forårsaket den negative eller positive reaksjonen og ta de nødvendige tiltakene.

Vi demonstrerer dette med følgende utskrifter av en kunde som returnerer en defekt brødrister. For dette eksempelet viser vi eksempler på utsagn som kunden lager.

Som vi kan se, starter samtalen ganske negativt. Med Targeted Sentiment API er vi i stand til å finne årsaken til den negative følelsen og se at den handler om en defekt brødrister. Vi kan bruke denne informasjonen til å kjøre bestemte arbeidsflyter, eller rute til forskjellige avdelinger.

Gjennom samtalen kan vi også se at kunden ikke var mottakelig for tilbudet om et gavekort. Vi kan bruke denne informasjonen til å forbedre agentopplæringen, revurdere om vi til og med bør ta opp temaet i disse scenariene, eller bestemme om dette spørsmålet bare skal stilles med en mer nøytral eller positiv følelse.

Til slutt kan vi se at tjenesten som ble levert av agenten ble mottatt positivt selv om kunden fortsatt var opprørt over brødristeren. Vi kan bruke denne informasjonen til å validere agentopplæring og belønne sterke agentprestasjoner.

Følgende er en referansearkitektur som inkorporerer målrettet sentiment i sanntidskontaktsenteranalyse.

Scenario 3: Overvåking av sosiale medier for kundesentiment

Sosiale medier mottak kan være en avgjørende faktor for produkt- og organisasjonsvekst. Å spore hvordan kunder reagerer på bedriftsbeslutninger, produktlanseringer eller markedsføringskampanjer er avgjørende for å bestemme effektiviteten.

Vi kan demonstrere hvordan du bruker Targeted Sentiment API i dette scenariet ved å bruke Twitter-anmeldelser av et nytt sett med hodetelefoner.

I dette eksemplet er det blandede reaksjoner på lanseringen av hodetelefonene, men det er et konsekvent tema om at lydkvaliteten er dårlig. Bedrifter kan bruke denne informasjonen til å se hvordan brukere reagerer på visse attributter og se hvor produktforbedringer bør gjøres i fremtidige iterasjoner.

Følgende er en referansearkitektur som bruker Targeted Sentiment API for sentimentanalyse i sosiale medier.

Kom i gang med Targeted Sentiment

For å bruke målrettet sentiment på Amazon Comprehend-konsollen, fullfør følgende trinn:

1. Velg på Amazon Comprehend-konsollen Start Amazon Comprehend.
   
2. Til Skriv inn tekst, skriv inn hvilken som helst tekst du vil analysere.
3. Velg Analyser.
   

Etter at dokumentet har blitt analysert, kan utdataene fra Targeted Sentiment API finnes på Målrettet følelse kategorien i Insights seksjon. Her kan du se den analyserte teksten, hver enhets respektive sentiment og referansegruppen den er knyttet til.

på Søknadsintegrasjon seksjonen, kan du finne forespørselen og svaret for den analyserte teksten.

Bruk målrettet sentiment programmert

For å komme i gang med den synkrone API-en programmatisk, har du to alternativer:

• oppdage-målrettet-sentiment – Denne API-en gir den målrettede følelsen for et enkelt tekstdokument
• batch-detect-målrettet-sentiment – Denne API-en gir den målrettede følelsen for en liste over dokumenter

Du kan samhandle med API med AWS kommandolinjegrensesnitt (AWS CLI) eller gjennom AWS SDK. Før vi begynner, sørg for at du har konfigurert AWS CLI, og har de nødvendige tillatelsene til å samhandle med Amazon Comprehend.

Targeted Sentiment Synchronous API krever at to forespørselsparametere sendes:

• Språkkode – Tekstens språk
• Tekst eller TextList – UTF-8-teksten som behandles

Følgende kode er et eksempel for detect-targeted-sentiment API:

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

Følgende er et eksempel for batch-detect-targeted-sentiment API:

{

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

}

La oss nå se på noen eksempler på AWS CLI-kommandoer.

Følgende kode er et eksempel for 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

Følgende er et eksempel for 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

Følgende er et eksempel på et Boto3 SDK API-kall:

import boto3
import subprocess

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

Følgende er et eksempel på detect-targeted-sentiment API:

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

Følgende er et eksempel på 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"]
)

For mer informasjon om API-syntaksen, se Amazon Comprehend utviklerveiledning.

API-responsstruktur

Targeted Sentiment API gir en enkel måte å konsumere resultatet fra jobbene dine. Det gir en logisk gruppering av enhetene (entitetsgruppene) som er oppdaget, sammen med sentimentet for hver enhet. Følgende er noen definisjoner av feltene som er i svaret:

• enheter – De vesentlige delene av dokumentet. For eksempel, Person, Place, Date, Foodeller Taste.
• Kommentarer – Referansene eller omtalen av enheten i dokumentet. Disse kan være pronomen eller vanlige substantiv som «det», «ham», «bok» og så videre. Disse er organisert i rekkefølge etter plassering (offset) i dokumentet.
• DescriptiveMentionIndex – Indeksen i Mentions som gir den beste fremstillingen av enhetsgruppen. For eksempel nevner "ABC Hotel" i stedet for "hotell", "det" eller andre vanlige substantiv.
• GroupScore – Tiltroen til at alle enhetene nevnt i gruppen er relatert til den samme enheten (som "jeg", "meg" og "meg selv" som refererer til én person).
• tekst – Teksten i dokumentet som skildrer enheten.
• typen – En beskrivelse av hva enheten skildrer.
• Resultat – Modellens tillit til at dette er en relevant enhet.
• NevnSentiment – Den faktiske følelsen funnet for omtalen.
• Sentiment – Strengverdien for positiv, nøytral, negativ eller blandet.
• SentimentScore – Modelltilliten for hver mulig følelse.
• StartOffset – Forskyvningen i dokumentteksten der omtalen begynner.
• EndOffset – Forskyvningen i dokumentteksten der omtalen slutter.

For en mer detaljert oversikt, se Trekk ut granulære følelser i tekst med Amazon Comprehend Targeted Sentiment or Organisering av utdatafil.

konklusjonen

Sentimentanalyse er fortsatt avgjørende for organisasjoner av en myriade av grunner – fra sporing av kundesentiment over tid for bedrifter, til å utlede om et produkt er likt eller mislikt, til å forstå meninger til brukere av et sosialt nettverk om bestemte emner, eller til og med forutsi resultatene av kampanjer. Sanntidsmålrettet sentiment kan være effektivt for bedrifter, slik at de kan gå utover den generelle sentimentanalysen for å utforske innsikt for å drive kundeopplevelser ved å bruke Amazon Comprehend.

For å lære mer om målrettet sentiment for Amazon Comprehend, se Målrettet følelse.

Om forfatterne

Raj Pathak er en løsningsarkitekt og teknisk rådgiver for Fortune 50 og mellomstore FSI-kunder (Banking, Insurance, Capital Markets) over hele Canada og USA. Raj spesialiserer seg på maskinlæring med applikasjoner innen dokumentutvinning, kontaktsentertransformasjon og datasyn.

Wrick Talukdar er seniorarkitekt med Amazon Comprehend Service-team. Han jobber med AWS-kunder for å hjelpe dem å ta i bruk maskinlæring i stor skala. Utenom jobben liker han å lese og fotografere.