Amazon Comrehend Targeted Sentiment dodaje obsługę synchroniczną

Wcześniej w tym roku, Amazon Comprehend, usługa przetwarzania języka naturalnego (NLP), która wykorzystuje uczenie maszynowe (ML) do odkrywania informacji z tekstu, uruchomił funkcję Ukierunkowane nastroje. Dzięki Ukierunkowanemu nastrojowi można identyfikować grupy wzmianek (grupy współodniesień) odpowiadające pojedynczej encji lub atrybutowi ze świata rzeczywistego, podawać opinię skojarzoną z każdą wzmianką o encji oraz oferować klasyfikację encji ze świata rzeczywistego na podstawie z góry ustalona lista podmiotów.

Dzisiaj z radością ogłaszamy nowy synchroniczny interfejs API dla ukierunkowanej opinii w Amazon Comprehend, który zapewnia szczegółowe zrozumienie sentymentów powiązanych z określonymi jednostkami w dokumentach wejściowych.

W tym poście przedstawiamy przegląd, jak rozpocząć korzystanie z synchronicznego interfejsu API Amazon Comprehend Targeted Sentiment, omówimy strukturę danych wyjściowych i omówimy trzy oddzielne przypadki użycia.

Ukierunkowane przypadki użycia sentymentu

Ukierunkowana analiza nastrojów w czasie rzeczywistym w Amazon Comprehend ma kilka aplikacji, które umożliwiają dokładne i skalowalne analizy marki i konkurencji. Możesz wykorzystać ukierunkowany sentyment do procesów o znaczeniu krytycznym dla biznesu, takich jak badanie rynku na żywo, tworzenie doświadczenia marki i zwiększanie satysfakcji klienta.

Poniżej znajduje się przykład użycia ukierunkowanego sentymentu do recenzji filmu.

„Film” to jednostka podstawowa, określana jako typ movie, i jest wymieniany jeszcze dwa razy jako „film” i zaimek „to”. Interfejs Targeted Sentiment API udostępnia opinię na temat każdej jednostki. Zielony odnosi się do pozytywnego sentymentu, czerwony do negatywnego, a niebieski do neutralnego.

Tradycyjna analiza dostarcza sentymentu do całego tekstu, który w tym przypadku jest mieszany. Dzięki ukierunkowanym nastrojom możesz uzyskać bardziej szczegółowe informacje. W tym scenariuszu sentyment do filmu jest zarówno pozytywny, jak i negatywny: pozytywny w odniesieniu do aktorów, ale negatywny w odniesieniu do ogólnej jakości. Może to zapewnić zespołowi filmowemu ukierunkowane informacje zwrotne, takie jak wykazanie większej staranności w pisaniu scenariuszy, ale także rozważenie aktorów do przyszłych ról.

Najważniejsze zastosowania analizy nastrojów w czasie rzeczywistym będą się różnić w zależności od branży. Obejmuje to wydobywanie informacji marketingowych i informacji o klientach z kanałów na żywo w mediach społecznościowych, filmów, wydarzeń na żywo lub transmisji, rozumienie emocji w celach badawczych lub odstraszanie od cyberprzemocy. Synchroniczne ukierunkowane nastroje zwiększają wartość biznesową, dostarczając informacje zwrotne w czasie rzeczywistym w ciągu kilku sekund, dzięki czemu możesz podejmować decyzje w czasie rzeczywistym.

Przyjrzyjmy się bliżej tym różnym aplikacjom do ukierunkowanej analizy nastrojów w czasie rzeczywistym i sposobom ich wykorzystania w różnych branżach:

• Scenariusz 1 – Eksploracja opinii dokumentów finansowych w celu określenia sentymentu do akcji, osoby lub organizacji
• Scenariusz 2 – Analityka call center w czasie rzeczywistym w celu określenia szczegółowych nastrojów w interakcjach z klientami
• Scenariusz 3 – Monitorowanie opinii organizacji lub produktu w mediach społecznościowych i kanałach cyfrowych oraz zapewnianie wsparcia i rozwiązań w czasie rzeczywistym

W kolejnych sekcjach szczegółowo omówimy każdy przypadek użycia.

Scenariusz 1: Eksploracja opinii finansowych i generowanie sygnałów handlowych

Analiza nastrojów ma kluczowe znaczenie dla animatorów rynku i firm inwestycyjnych podczas budowania strategii handlowych. Ustalenie szczegółowego sentymentu może pomóc traderom wywnioskować, jaką reakcję rynek może mieć na globalne wydarzenia, decyzje biznesowe, osoby i kierunek branży. Ten sentyment może być czynnikiem decydującym o tym, czy kupić lub sprzedać akcje lub towar.

Aby zobaczyć, jak możemy wykorzystać interfejs Targeted Sentiment API w tych scenariuszach, spójrzmy na oświadczenie przewodniczącego Rezerwy Federalnej Jerome'a ​​Powella na temat inflacji.

Jak widać na przykładzie, zrozumienie sentymentu do inflacji może zadecydować o kupnie lub sprzedaży. W tym scenariuszu można wywnioskować z Targeted Sentiment API, że opinia prezesa Powella na temat inflacji jest negatywna, co najprawdopodobniej spowoduje wzrost stóp procentowych spowalniający wzrost gospodarczy. Dla większości traderów może to skutkować podjęciem decyzji o sprzedaży. Targeted Sentiment API może zapewnić handlowcom szybszy i bardziej szczegółowy wgląd niż tradycyjny przegląd dokumentów, a w branży, w której szybkość ma kluczowe znaczenie, może przynieść znaczną wartość biznesową.

Poniżej przedstawiono architekturę referencyjną do wykorzystania ukierunkowanych nastrojów w scenariuszach eksploracji opinii finansowych i generowania sygnałów handlowych.

Scenariusz 2: Analiza contact center w czasie rzeczywistym

Pozytywne doświadczenie contact center ma kluczowe znaczenie dla zapewnienia silnego doświadczenia klienta. Aby zapewnić pozytywne i produktywne doświadczenia, możesz wdrożyć analizę sentymentu, aby ocenić reakcje klientów, zmieniające się nastroje klientów w czasie trwania interakcji oraz efektywność przepływów pracy w centrum kontaktowym i szkolenia pracowników. Dzięki interfejsowi Targeted Sentiment API możesz uzyskać szczegółowe informacje w ramach analizy nastrojów w centrum kontaktowym. Nie tylko możemy określić sentyment interakcji, ale teraz możemy zobaczyć, co spowodowało negatywną lub pozytywną reakcję i podjąć odpowiednie działania.

Pokazujemy to za pomocą poniższych transkrypcji klienta zwracającego wadliwie działający toster. W tym przykładzie pokazujemy przykładowe wypowiedzi klienta.

Jak widać, rozmowa zaczyna się dość negatywnie. Dzięki interfejsowi Targeted Sentiment API jesteśmy w stanie określić pierwotną przyczynę negatywnego sentymentu i zobaczyć, że dotyczy on nieprawidłowego działania tostera. Możemy wykorzystać te informacje do uruchomienia określonych przepływów pracy lub przekierować je do różnych działów.

Dzięki rozmowie widzimy również, że klient nie przyjął oferty karty podarunkowej. Możemy wykorzystać te informacje, aby poprawić szkolenie agentów, ponownie ocenić, czy powinniśmy w ogóle poruszyć temat w tych scenariuszach, lub zdecydować, czy to pytanie powinno być zadawane tylko z bardziej neutralnym lub pozytywnym nastawieniem.

Wreszcie widzimy, że usługa świadczona przez agenta została pozytywnie odebrana, mimo że klient nadal był zdenerwowany tosterem. Możemy wykorzystać te informacje do walidacji szkolenia agentów i nagradzania dobrych wyników agentów.

Poniżej znajduje się architektura referencyjna obejmująca ukierunkowane nastroje w analitykę contact center w czasie rzeczywistym.

Scenariusz 3: Monitorowanie mediów społecznościowych pod kątem nastrojów klientów

Odbiór w mediach społecznościowych może być decydującym czynnikiem rozwoju produktu i organizacji. Śledzenie reakcji klientów na decyzje firmy, premiery produktów lub kampanie marketingowe ma kluczowe znaczenie w określaniu skuteczności.

Możemy zademonstrować, jak korzystać z interfejsu Targeted Sentiment API w tym scenariuszu, korzystając z recenzji nowego zestawu słuchawek na Twitterze.

W tym przykładzie reakcje na wprowadzenie słuchawek są mieszane, ale konsekwentnie pojawia się słaba jakość dźwięku. Firmy mogą wykorzystać te informacje, aby zobaczyć, jak użytkownicy reagują na określone atrybuty i zobaczyć, gdzie należy wprowadzić ulepszenia produktu w przyszłych iteracjach.

Poniżej przedstawiono architekturę referencyjną wykorzystującą interfejs Targeted Sentiment API do analizy nastrojów w mediach społecznościowych.

Zacznij korzystać z nastrojów ukierunkowanych

Aby użyć ukierunkowanego sentymentu w konsoli Amazon Comprehend, wykonaj następujące czynności:

1. Na konsoli Amazon Comprehend wybierz Uruchom Amazon Zrozum.
   
2. W razie zamówieenia projektu Wprowadź tekst, wprowadź dowolny tekst, który chcesz przeanalizować.
3. Dodaj Analizować.
   

Po przeanalizowaniu dokumentu dane wyjściowe Targeted Sentiment API można znaleźć na stronie Ukierunkowany sentyment w zakładce Spostrzeżenia Sekcja. W tym miejscu możesz zobaczyć analizowany tekst, odpowiednią opinię każdej encji oraz grupę referencyjną, z którą jest skojarzona.

W Integracja aplikacji w sekcji można znaleźć prośbę i odpowiedź na analizowany tekst.

Programowo używaj ukierunkowanej nastroje

Aby programowo rozpocząć korzystanie z synchronicznego interfejsu API, masz dwie możliwości:

• wykrywanie-ukierunkowanych-sentymentów – Ten interfejs API zapewnia ukierunkowany sentyment dla pojedynczego dokumentu tekstowego
• wsadowo-wykryj-ukierunkowany-sentyment – Ten interfejs API zapewnia ukierunkowany sentyment do listy dokumentów

Możesz wchodzić w interakcję z API za pomocą Interfejs wiersza poleceń AWS (AWS CLI) lub za pośrednictwem AWS SDK. Zanim zaczniemy, upewnij się, że skonfigurowałeś interfejs AWS CLI i masz wymagane uprawnienia do interakcji z Amazon Comprehend.

Synchroniczny interfejs API Targeted Sentiment wymaga przekazania dwóch parametrów żądania:

• Kod języka – Język tekstu
• Tekst lub TextList – Przetwarzany tekst UTF-8

Poniższy kod jest przykładem dla detect-targeted-sentiment OGIEŃ:

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

Poniżej znajduje się przykład dla batch-detect-targeted-sentiment OGIEŃ:

{

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

}

Teraz spójrzmy na kilka przykładowych poleceń AWS CLI.

Poniższy kod jest przykładem dla detect-targeted-sentiment OGIEŃ:

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

Poniżej znajduje się przykład dla batch-detect-targeted-sentiment OGIEŃ:

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

Poniżej znajduje się przykładowe wywołanie interfejsu API Boto3 SDK:

import boto3
import subprocess

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

Poniżej znajduje się przykład detect-targeted-sentiment OGIEŃ:

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

Poniżej znajduje się przykład batch-detect-targeted-sentiment OGIEŃ:

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

Aby uzyskać więcej informacji na temat składni API, zobacz Przewodnik dla programistów Amazon Zrozum.

Struktura odpowiedzi API

Targeted Sentiment API zapewnia prosty sposób na wykorzystanie wyników Twoich zadań. Zapewnia logiczne grupowanie wykrytych encji (grup encji) wraz z tonacją dla każdej encji. Poniżej przedstawiono niektóre definicje pól znajdujących się w odpowiedzi:

• podmioty – Znaczące części dokumentu. Na przykład, Person, Place, Date, Foodlub Taste.
• Wzmianki – Odniesienia lub wzmianki o podmiocie w dokumencie. Mogą to być zaimki lub rzeczowniki pospolite, takie jak „to”, „on”, „książka” i tak dalej. Są one uporządkowane według lokalizacji (przesunięcia) w dokumencie.
• Opisowy indeks wzmianki – Indeks w Mentions która najlepiej oddaje grupę podmiotów. Na przykład „ABC Hotel” zamiast „hotel”, „to” lub inne wzmianki o rzeczownikach pospolitych.
• Wynik grupy – Pewność, że wszystkie podmioty wymienione w grupie są powiązane z tym samym podmiotem (np. „ja”, „ja” i „ja” odnoszą się do jednej osoby).
• Tekst – Tekst w dokumencie, który przedstawia jednostkę.
• Rodzaj Nieruchomości – Opis tego, co przedstawia jednostka.
• Wynik – Model pewność, że jest to odpowiedni podmiot.
• WzmiankaSentyment – Rzeczywisty sentyment znaleziony dla wzmianki.
• Sentyment – Wartość ciągu znaków dodatnia, neutralna, ujemna lub mieszana.
• Wynik nastrojów – Model ufności dla każdego możliwego sentymentu.
• Rozpocznij odsunięcie – Przesunięcie w tekście dokumentu, w którym zaczyna się wzmianka.
• Odsunięcie końcowe – Przesunięcie w tekście dokumentu, w którym kończy się wzmianka.

Aby uzyskać bardziej szczegółowy podział, zobacz Wyodrębnij szczegółowe nastroje w tekście za pomocą Amazon Comprehend Targeted Sentiment or Organizacja pliku wyjściowego.

Wnioski

Analiza nastrojów pozostaje kluczowa dla organizacji z wielu powodów — od śledzenia nastrojów klientów w czasie dla firm, przez wnioskowanie, czy dany produkt jest lubiany, czy nie, po zrozumienie opinii użytkowników sieci społecznościowej na określone tematy, a nawet przewidywanie wyników kampanie. Ukierunkowane nastroje w czasie rzeczywistym mogą być skuteczne dla firm, umożliwiając im wyjście poza ogólną analizę nastrojów w celu zbadania spostrzeżeń w celu zwiększenia doświadczeń klientów za pomocą Amazon Comprehend.

Aby dowiedzieć się więcej na temat ukierunkowanego sentymentu dla Amazon, zapoznaj się z Ukierunkowany sentyment.

O autorach

Raj Pathak jest architektem rozwiązań i doradcą technicznym dla klientów z listy Fortune 50 i średniej wielkości FSI (bankowość, ubezpieczenia, rynki kapitałowe) w Kanadzie i Stanach Zjednoczonych. Raj specjalizuje się w uczeniu maszynowym z aplikacjami do ekstrakcji dokumentów, transformacji Contact Center i komputerowej wizji.

Wricka Talukdara jest starszym architektem w zespole Amazon Comprehend Service. Współpracuje z klientami AWS, aby pomóc im wdrożyć uczenie maszynowe na dużą skalę. Poza pracą lubi czytać i fotografować.