Amazon Comprehend Targeted Sentiment doda sinhrono podporo

V začetku tega leta, Amazonsko razumevanje, storitev za obdelavo naravnega jezika (NLP), ki uporablja strojno učenje (ML) za odkrivanje vpogledov iz besedila, lansiral funkcijo Targeted Sentiment. S ciljno razpoloženjem lahko identificirate skupine omemb (koreferenčne skupine), ki ustrezajo eni sami entiteti ali atributu iz resničnega sveta, zagotovite razpoloženje, povezano z vsako omembo entitete, in ponudite klasifikacijo entitete iz resničnega sveta na podlagi vnaprej določen seznam subjektov.

Danes z veseljem predstavljamo nov sinhroni API za ciljno razpoloženje v storitvi Amazon Comprehend, ki zagotavlja podrobno razumevanje razpoloženj, povezanih z določenimi entitetami v vhodnih dokumentih.

V tej objavi nudimo pregled, kako lahko začnete s sinhronim API-jem Amazon Comprehend Targeted Sentiment, se sprehodite skozi izhodno strukturo in razpravljate o treh ločenih primerih uporabe.

Primeri uporabe ciljnega občutka

Ciljna analiza razpoloženja v realnem času v Amazon Comprehend ima več aplikacij, ki omogočajo natančne in razširljive vpoglede v blagovno znamko in konkurenco. Ciljno razpoloženje lahko uporabite za poslovne procese, kot so tržne raziskave v živo, ustvarjanje izkušenj z blagovno znamko in izboljšanje zadovoljstva strank.

Sledi primer uporabe ciljnega občutka za oceno filma.

»Film« je primarna entiteta, opredeljena kot vrsta movie, in je omenjen še dvakrat kot »film« in zaimek »to«. Targeted Sentiment API zagotavlja mnenje do vsake entitete. Zelena se nanaša na pozitivno razpoloženje, rdeča na negativno in modra na nevtralno.

Tradicionalna analiza daje občutek celotnega besedila, ki je v tem primeru mešano. S ciljnim razpoloženjem lahko dobite natančnejše vpoglede. V tem scenariju je sentiment do filma pozitiven in negativen: pozitiven glede igralcev, vendar negativen glede na splošno kakovost. To lahko zagotovi ciljno usmerjeno povratno informacijo za filmsko ekipo, na primer, da bo bolj prizadeven pri pisanju scenarija, vendar bo upošteval igralce za prihodnje vloge.

Pomembne aplikacije analize razpoloženja v realnem času se razlikujejo glede na panoge. Vključuje pridobivanje vpogledov v trženje in stranke iz virov družbenih medijev v živo, videoposnetkov, dogodkov v živo ali oddaj, razumevanje čustev za raziskovalne namene ali odvračanje od spletnega ustrahovanja. Sinhrono ciljno razpoloženje spodbuja poslovno vrednost z zagotavljanjem povratnih informacij v realnem času v nekaj sekundah, tako da lahko sprejemate odločitve v realnem času.

Oglejmo si podrobneje te različne aplikacije za ciljano analizo razpoloženja v realnem času in kako jih lahko uporabljajo različne industrije:

• 1. scenarij – Rudarjenje mnenj o finančnih dokumentih za ugotavljanje razpoloženja do delnice, osebe ali organizacije
• 2. scenarij – Analitika klicnega centra v realnem času za določanje razpoloženja v interakcijah s strankami
• 3. scenarij – Spremljanje povratnih informacij o organizaciji ali izdelkih prek družbenih medijev in digitalnih kanalov ter zagotavljanje podpore in rešitev v realnem času

V naslednjih razdelkih podrobneje obravnavamo vsak primer uporabe.

Scenarij 1: rudarjenje finančnega mnenja in ustvarjanje trgovalnih signalov

Analiza sentimenta je ključnega pomena za oblikovalce trga in investicijska podjetja pri oblikovanju strategij trgovanja. Ugotavljanje natančnega razpoloženja lahko pomaga trgovcem sklepati, kakšen odziv ima trg na globalne dogodke, poslovne odločitve, posameznike in usmeritve industrije. To razpoloženje je lahko odločilni dejavnik pri nakupu ali prodaji delnice ali blaga.

Da bi videli, kako lahko uporabimo Targeted Sentiment API v teh scenarijih, si oglejmo izjavo predsednika Federal Reserve Jeroma Powella o inflaciji.

Kot lahko vidimo v primeru, lahko razumevanje občutka do inflacije vpliva na odločitev o nakupu ali prodaji. V tem scenariju je mogoče na podlagi Targeted Sentiment API sklepati, da je mnenje predsednika Powella o inflaciji negativno, kar bo najverjetneje povzročilo višje obrestne mere, ki bodo upočasnile gospodarsko rast. Za večino trgovcev bi to lahko povzročilo odločitev o prodaji. Targeted Sentiment API lahko trgovcem zagotovi hitrejši in bolj natančen vpogled kot tradicionalni pregled dokumentov, v industriji, kjer je hitrost ključnega pomena, pa lahko povzroči znatno poslovno vrednost.

Sledi referenčna arhitektura za uporabo ciljno usmerjenih razpoloženj v rudarjenju finančnega mnenja in scenarijih ustvarjanja trgovalnih signalov.

Scenarij 2: Analiza kontaktnega centra v realnem času

Pozitivna izkušnja s kontaktnim centrom je ključnega pomena za zagotavljanje močne uporabniške izkušnje. Da bi zagotovili pozitivne in produktivne izkušnje, lahko implementirate analizo razpoloženja, da ocenite odzive strank, spreminjanje razpoloženja strank skozi trajanje interakcije ter učinkovitost potekov dela v kontaktnem centru in usposabljanja zaposlenih. Z API-jem Targeted Sentiment lahko dobite podrobne informacije v analizi razpoloženja vašega kontaktnega centra. Ne samo, da lahko določimo občutek interakcije, zdaj lahko vidimo, kaj je povzročilo negativno ali pozitivno reakcijo, in ustrezno ukrepamo.

To prikazujemo z naslednjimi prepisi stranke, ki vrača pokvarjen opekač kruha. Za ta primer prikazujemo vzorčne izjave, ki jih daje stranka.

Kot vidimo, se pogovor začne precej negativno. Z API-jem za ciljno razpoloženje lahko ugotovimo glavni vzrok negativnega razpoloženja in ugotovimo, da gre za nedelujoč opekač kruha. Te informacije lahko uporabimo za izvajanje določenih delovnih tokov ali za usmerjanje do različnih oddelkov.

Skozi pogovor lahko ugotovimo tudi, da stranka ni bila dovzetna za ponudbo darilnega bona. Te informacije lahko uporabimo za izboljšanje usposabljanja agentov, ponovno ovrednotimo, ali bi morali temo sploh izpostaviti v teh scenarijih, ali se odločimo, ali naj se to vprašanje postavi samo z bolj nevtralnim ali pozitivnim občutkom.

Nazadnje lahko vidimo, da je bila storitev, ki jo je zagotovil agent, sprejeta pozitivno, čeprav je bila stranka še vedno vznemirjena zaradi opekača kruha. Te informacije lahko uporabimo za potrditev usposabljanja agentov in nagrajevanje močne uspešnosti agentov.

Sledi referenčna arhitektura, ki vključuje ciljno razpoloženje v analitiko kontaktnega centra v realnem času.

Scenarij 3: Spremljanje družbenih medijev za razpoloženje strank

Sprejem družbenih medijev je lahko odločilen dejavnik za rast izdelkov in organizacije. Sledenje, kako se stranke odzivajo na odločitve podjetja, lansiranje izdelkov ali marketinške akcije, je ključnega pomena pri določanju učinkovitosti.

Lahko pokažemo, kako uporabiti Targeted Sentiment API v tem scenariju z uporabo mnenj Twitterja o novem kompletu slušalk.

V tem primeru obstajajo mešani odzivi na lansiranje slušalk, vendar obstaja dosledna tema o slabi kakovosti zvoka. Podjetja lahko uporabijo te informacije, da vidijo, kako se uporabniki odzivajo na določene atribute, in vidijo, kje bi bilo treba izboljšati izdelek v prihodnjih iteracijah.

Sledi referenčna arhitektura, ki uporablja Targeted Sentiment API za analizo razpoloženja družbenih medijev.

Začnite s Targeted Sentiment

Če želite uporabiti ciljno razpoloženje na konzoli Amazon Comprehend, dokončajte naslednje korake:

1. Na konzoli Amazon Comprehend izberite Zaženite Amazon Comprehend.
   
2. za Vnos besedila, vnesite poljubno besedilo, ki ga želite analizirati.
3. Izberite Analizirajte.
   

Ko je dokument analiziran, je izhod API-ja za ciljno razpoloženje mogoče najti na Ciljno razpoloženje Jeziček na Vpogled razdelek. Tukaj si lahko ogledate analizirano besedilo, čustva vsake entitete in referenčno skupino, s katero je povezana.

v Integracija aplikacij razdelku najdete zahtevo in odgovor za analizirano besedilo.

Programsko uporabite ciljno razpoloženje

Za programski začetek uporabe sinhronega API-ja imate dve možnosti:

• zaznati ciljno razpoloženje – Ta API zagotavlja ciljno razpoloženje za en besedilni dokument
• batch-detect-targeted-sentiment – Ta API zagotavlja ciljno razpoloženje za seznam dokumentov

Z API-jem lahko komunicirate z Vmesnik ukazne vrstice AWS (AWS CLI) ali prek AWS SDK. Preden začnemo, se prepričajte, da ste konfigurirali AWS CLI in imate potrebna dovoljenja za interakcijo z Amazon Comprehend.

Sinhroni API Targeted Sentiment zahteva posredovanje dveh parametrov zahteve:

• LanguageCode – Jezik besedila
• Besedilo oz TextList – besedilo UTF-8, ki je obdelano

Naslednja koda je primer za detect-targeted-sentiment API-ji:

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

Sledi primer za batch-detect-targeted-sentiment API-ji:

{

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

}

Zdaj pa si poglejmo nekaj vzorčnih ukazov AWS CLI.

Naslednja koda je primer za detect-targeted-sentiment API-ji:

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

Sledi primer za batch-detect-targeted-sentiment API-ji:

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

Sledi vzorec klica API-ja SDK Boto3:

import boto3
import subprocess

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

Sledi primer detect-targeted-sentiment API-ji:

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

Sledi primer batch-detect-targeted-sentiment API-ji:

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

Za več podrobnosti o sintaksi API-ja glejte Vodnik za razvijalce Amazon Comprehend.

Struktura odziva API

Targeted Sentiment API ponuja preprost način za uporabo rezultatov vaših delovnih mest. Zagotavlja logično združevanje odkritih entitet (skupin entitet) skupaj z razpoloženjem za vsako entiteto. Sledi nekaj definicij polj v odgovoru:

• Subjekti – Pomembni deli dokumenta. na primer Person, Place, Date, Foodali Taste.
• Omenja – Reference ali omembe subjekta v dokumentu. To so lahko zaimki ali pogosti samostalniki, kot so »to«, »on«, »knjiga« itd. Ti so organizirani po vrstnem redu glede na lokacijo (odmik) v dokumentu.
• DescriptiveMentionIndex – Indeks v Mentions ki daje najboljši prikaz skupine entitet. Na primer »ABC Hotel« namesto »hotel«, »to« ali druge omembe pogostih samostalnikov.
• GroupScore – Zaupanje, da so vse entitete, omenjene v skupini, povezane z isto entiteto (kot so »jaz«, »jaz« in »jaz«, ki se nanašajo na eno osebo).
• Besedilo – Besedilo v dokumentu, ki prikazuje entiteto.
• tip – Opis tega, kar entiteta prikazuje.
• Rezultat – Zaupanje modela, da je to ustrezen subjekt.
• MentionSentiment – Dejansko razpoloženje, ugotovljeno za omembo.
• Sentiment – Vrednost niza je pozitivna, nevtralna, negativna ali mešana.
• SentimentScore – Model zaupanja za vsako možno čustvo.
• BeginOffset – Odmik v besedilu dokumenta, kjer se začne omemba.
• Končni odmik – Odmik v besedilu dokumenta, kjer se omemba konča.

Za podrobnejšo razčlenitev glejte Z Amazon Comprehend Targeted Sentiment iz besedila izvlecite zrnato razpoloženje or Organizacija izhodnih datotek.

zaključek

Analiza razpoloženja ostaja ključnega pomena za organizacije zaradi neštetih razlogov – od sledenja razpoloženja strank skozi čas za podjetja, do sklepanja, ali je izdelek všeč ali ne, do razumevanja mnenj uporabnikov družbenega omrežja o določenih temah ali celo napovedovanja rezultatov akcije. Ciljno usmerjeno razpoloženje v realnem času je lahko učinkovito za podjetja, saj jim omogoča, da presežejo celotno analizo razpoloženja in raziščejo vpoglede za spodbujanje izkušenj strank z uporabo Amazon Comprehend.

Če želite izvedeti več o ciljnem občutku za Amazon Comprehend, glejte Ciljno razpoloženje.

O avtorjih

Raj Pathak je arhitekt rešitev in tehnični svetovalec za stranke Fortune 50 in srednje velikih FSI (bančništvo, zavarovalništvo, kapitalski trgi) po vsej Kanadi in Združenih državah. Raj je specializiran za strojno učenje z aplikacijami za ekstrakcijo dokumentov, transformacijo kontaktnega centra in računalniški vid.

Wrick Talukdar je višji arhitekt pri skupini Amazon Comprehend Service. Sodeluje s strankami AWS, da bi jim pomagal sprejeti strojno učenje v velikem obsegu. Poleg dela se ukvarja z branjem in fotografijo.