Amazon Comprehend Targeted Sentiment добавляет синхронную поддержку

Ранее в этом году, Amazon Comprehend, службу обработки естественного языка (NLP), которая использует машинное обучение (ML) для извлечения информации из текста, запустил функцию Targeted Sentiment. С помощью Targeted Sentiment вы можете идентифицировать группы упоминаний (совместно-ссылочные группы), соответствующие одному реальному объекту или атрибуту, определить тональность, связанную с каждым упоминанием объекта, и предложить классификацию реального объекта на основе заранее определенный список сущностей.

Сегодня мы рады объявить о новом синхронном API для целевых настроений в Amazon Comprehend, который обеспечивает детальное понимание настроений, связанных с определенными сущностями во входных документах.

В этом посте мы представляем обзор того, как вы можете начать работу с синхронным API Amazon Comprehend Targeted Sentiment, рассмотрим структуру выходных данных и обсудим три отдельных варианта использования.

Примеры использования целевых настроений

Целевой анализ настроений в режиме реального времени в Amazon Comprehend имеет несколько приложений, позволяющих получать точные и масштабируемые аналитические данные о брендах и конкурентах. Вы можете использовать целевую тональность для критически важных бизнес-процессов, таких как исследование рынка в реальном времени, создание впечатления от бренда и повышение удовлетворенности клиентов.

Ниже приведен пример использования целевого настроения для обзора фильма.

«Фильм» — это основная сущность, определяемая как тип movie, и упоминается еще два раза как «фильм» и местоимение «оно». Targeted Sentiment API предоставляет отношение к каждому объекту. Зеленый относится к позитивному настроению, красный — к негативному, а синий — к нейтральному.

Традиционный анализ обеспечивает тональность всего текста, который в данном случае смешанный. Благодаря целевому настроению вы можете получить более детальную информацию. В этом сценарии отношение к фильму бывает как положительным, так и отрицательным: положительным по отношению к актерам, но отрицательным по отношению к общему качеству. Это может обеспечить целенаправленную обратную связь для съемочной группы, например, проявить больше усердия в написании сценария, но рассмотреть актеров для будущих ролей.

Известные приложения анализа настроений в реальном времени будут различаться в зависимости от отрасли. Он включает в себя извлечение информации о маркетинге и клиентах из живых каналов социальных сетей, видео, прямых трансляций или трансляций, понимание эмоций для исследовательских целей или сдерживание киберзапугивания. Синхронные целевые настроения повышают ценность бизнеса, предоставляя обратную связь в режиме реального времени в течение нескольких секунд, чтобы вы могли принимать решения в режиме реального времени.

Давайте подробнее рассмотрим эти различные приложения для целевого анализа настроений в реальном времени и то, как их можно использовать в разных отраслях:

• Сценарий 1 – Сбор мнений по финансовым документам для определения отношения к акциям, лицам или организациям.
• Сценарий 2 – Аналитика колл-центра в режиме реального времени для детального определения настроений при взаимодействии с клиентами.
• Сценарий 3 – Мониторинг отзывов об организации или продукте в социальных сетях и цифровых каналах, а также предоставление поддержки и решений в режиме реального времени.

В следующих разделах мы обсудим каждый вариант использования более подробно.

Сценарий 1: Анализ финансового мнения и генерация торговых сигналов

Анализ настроений имеет решающее значение для маркет-мейкеров и инвестиционных компаний при построении торговых стратегий. Определение детального настроения может помочь трейдерам сделать вывод о том, какую реакцию может иметь рынок на глобальные события, деловые решения, отдельных лиц и направление отрасли. Это настроение может быть определяющим фактором при покупке или продаже акций или товаров.

Чтобы увидеть, как мы можем использовать Targeted Sentiment API в этих сценариях, давайте посмотрим на заявление председателя Федеральной резервной системы Джерома Пауэлла об инфляции.

Как мы видим на примере, понимание отношения к инфляции может повлиять на решение о покупке или продаже. В этом сценарии из Targeted Sentiment API можно сделать вывод, что мнение председателя Пауэлла об инфляции отрицательное, и это, скорее всего, приведет к замедлению экономического роста более высокими процентными ставками. Для большинства трейдеров это может привести к решению о продаже. Targeted Sentiment API может предоставить трейдерам более быструю и детальную информацию, чем традиционный обзор документов, а в отрасли, где скорость имеет решающее значение, это может привести к существенной ценности для бизнеса.

Ниже приведена эталонная архитектура для использования целевых настроений в сценариях сбора финансовых мнений и генерации торговых сигналов.

Сценарий 2: Анализ контакт-центра в режиме реального времени

Положительный опыт контакт-центра имеет решающее значение для обеспечения высокого качества обслуживания клиентов. Чтобы помочь обеспечить положительный и продуктивный опыт, вы можете внедрить анализ настроений, чтобы оценить реакцию клиентов, изменение настроения клиентов в зависимости от продолжительности взаимодействия, а также эффективность рабочих процессов контакт-центра и обучения сотрудников. С помощью Targeted Sentiment API вы можете получать детализированную информацию в рамках анализа настроений контакт-центра. Мы можем не только определить настроение взаимодействия, но теперь мы можем увидеть, что вызвало отрицательную или положительную реакцию, и предпринять соответствующие действия.

Мы демонстрируем это с помощью следующих расшифровок истории клиента, возвращающего неисправный тостер. Для этого примера мы показываем образцы заявлений, которые делает клиент.

Как мы видим, разговор начинается довольно негативно. С помощью Targeted Sentiment API мы можем определить основную причину отрицательного настроения и увидеть, что оно связано с неисправным тостером. Мы можем использовать эту информацию для запуска определенных рабочих процессов или маршрутизации в разные отделы.

В ходе разговора мы также можем увидеть, что покупатель не воспринял предложение подарочной карты. Мы можем использовать эту информацию, чтобы улучшить обучение агентов, пересмотреть, должны ли мы даже поднимать тему в этих сценариях, или решить, следует ли задавать этот вопрос только с более нейтральным или позитивным настроем.

Наконец, мы видим, что услуга, предоставленная агентом, была воспринята положительно, даже несмотря на то, что клиент все еще был расстроен из-за тостера. Мы можем использовать эту информацию для проверки обучения агентов и поощрения их за высокие результаты.

Ниже приведена эталонная архитектура, включающая целевые настроения в аналитику контакт-центра в реальном времени.

Сценарий 3. Отслеживание настроений клиентов в социальных сетях

Восприятие в социальных сетях может стать решающим фактором для роста продукта и организации. Отслеживание того, как клиенты реагируют на решения компании, выпуск продуктов или маркетинговые кампании, имеет решающее значение для определения эффективности.

Мы можем продемонстрировать, как использовать Targeted Sentiment API в этом сценарии, используя обзоры Twitter о новом наборе наушников.

В этом примере есть неоднозначная реакция на запуск наушников, но есть постоянная тема плохого качества звука. Компании могут использовать эту информацию, чтобы увидеть, как пользователи реагируют на определенные атрибуты, и увидеть, какие улучшения продукта следует внести в будущих итерациях.

Ниже приведена эталонная архитектура, использующая Targeted Sentiment API для анализа настроений в социальных сетях.

Начните работу с целевым настроением

Чтобы использовать целевые настроения в консоли Amazon Comprehend, выполните следующие действия:

1. На консоли Amazon Comprehend выберите Запустите Amazon Comprehend.
   
2. Что касается Введите текст, введите любой текст, который вы хотите проанализировать.
3. Выберите Анализировать.
   

После того, как документ был проанализирован, выходные данные Targeted Sentiment API можно найти на Целевое настроение Вкладка в Инсайты раздел. Здесь вы можете увидеть проанализированный текст, соответствующее настроение каждой сущности и группу ссылок, с которой она связана.

В Интеграция приложений раздел, вы можете найти запрос и ответ на анализируемый текст.

Программно использовать Targeted Sentiment

Чтобы начать работу с синхронным API программно, у вас есть два варианта:

• обнаружение целевых настроений – Этот API обеспечивает целевую тональность для одного текстового документа.
• пакетное обнаружение целевых настроений – Этот API обеспечивает целевую тональность для списка документов.

Вы можете взаимодействовать с API с помощью Интерфейс командной строки AWS (AWS CLI) или через AWS SDK. Прежде чем мы начнем, убедитесь, что вы настроили интерфейс командной строки AWS и у вас есть необходимые разрешения для взаимодействия с Amazon Comprehend.

Синхронный API Targeted Sentiment требует передачи двух параметров запроса:

• Код языка - Язык текста
• Текст или TextList — обрабатываемый текст UTF-8.

Следующий код является примером для detect-targeted-sentiment API:

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

Ниже приведен пример для batch-detect-targeted-sentiment API:

{

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

}

Теперь давайте рассмотрим некоторые примеры команд AWS CLI.

Следующий код является примером для 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

Ниже приведен пример для 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

Ниже приведен пример вызова API Boto3 SDK:

import boto3
import subprocess

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

Ниже приведен пример detect-targeted-sentiment API:

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

Ниже приведен пример 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"]
)

Дополнительные сведения о синтаксисе API см. Руководство для разработчиков по Amazon Comprehend.

Структура ответа API

Targeted Sentiment API предоставляет простой способ использования результатов ваших заданий. Он обеспечивает логическую группировку обнаруженных сущностей (групп сущностей) вместе с тональностью для каждой сущности. Ниже приведены некоторые определения полей, которые находятся в ответе:

• Юридические лица – Важные части документа. Например, Person, Place, Date, Foodили Taste.
• Упоминания – Ссылки или упоминания объекта в документе. Это могут быть местоимения или нарицательные существительные, такие как «это», «его», «книга» и так далее. Они упорядочены по расположению (смещению) в документе.
• описательныйуказательупоминания – Индекс в Mentions что дает наилучшее описание группы сущностей. Например, «ABC Hotel» вместо «hotel», «it» или других упоминаний нарицательных существительных.
• Групповой балл – Уверенность в том, что все сущности, упомянутые в группе, связаны с одной и той же сущностью (например, «я», «я» и «я сам» относятся к одному человеку).
• Текст – Текст в документе, который изображает сущность.
• Тип – Описание того, что изображает сущность.
• Счет – Уверенность модели в том, что это релевантная сущность.
• УпоминаниеНастроение – Фактическое настроение, найденное для упоминания.
• Настроение – Строковое значение положительного, нейтрального, отрицательного или смешанного.
• SentimentScore – Уверенность модели для каждого возможного настроения.
• Начальное смещение – Смещение в тексте документа, где начинается упоминание.
• КонецСмещение – Смещение в тексте документа, где упоминание заканчивается.

Для более подробной разбивки см. Извлекайте детализированные настроения в тексте с помощью Amazon Comprehend Targeted Sentiment or Организация выходного файла.

Заключение

Анализ настроений по-прежнему имеет решающее значение для организаций по множеству причин — от отслеживания настроений клиентов с течением времени для предприятий до определения того, нравится ли продукт или нет, до понимания мнений пользователей социальной сети по определенным темам или даже прогнозирования результатов. кампании. Целевые настроения в режиме реального времени могут быть эффективны для компаний, позволяя им не ограничиваться общим анализом настроений, а изучать идеи для повышения качества обслуживания клиентов с помощью Amazon Comprehend.

Чтобы узнать больше о Targeted Sentiment для Amazon Comprehend, см. Целевое настроение.

Об авторах

Радж Патхак является архитектором решений и техническим консультантом для клиентов из списка Fortune 50 и среднего размера FSI (банковское дело, страхование, рынки капитала) в Канаде и США. Радж специализируется на машинном обучении с приложениями для извлечения документов, преобразования контакт-центра и компьютерного зрения.

Врик Талукдар является старшим архитектором в команде Amazon Comprehend Service. Он работает с клиентами AWS, помогая им широко внедрять машинное обучение. Вне работы любит читать и фотографировать.