Amazon Comprehend Targeted Sentiment lägger till synkront stöd

Tidigare i år, Amazon Comprehend, en NLP-tjänst (natural language processing) som använder maskininlärning (ML) för att upptäcka insikter från text, lanserade funktionen Targeted Sentiment. Med Targeted Sentiment kan du identifiera grupper av omnämnanden (medreferensgrupper) som motsvarar en enda verklig enhet eller attribut, tillhandahålla sentimentet som är associerat med varje entitetsomnämnande och erbjuda klassificeringen av den verkliga enheten baserat på en förutbestämd lista över enheter.

Idag är vi glada över att tillkännage det nya synkrona API:et för riktat sentiment i Amazon Comprehend, som ger en detaljerad förståelse för de känslor som är associerade med specifika enheter i indatadokument.

I det här inlägget ger vi en översikt över hur du kan komma igång med Amazon Comprehend Targeted Sentiment synchronous API, gå igenom utdatastrukturen och diskutera tre separata användningsfall.

Riktade sentimentanvändningsfall

Riktad sentimentanalys i realtid i Amazon Comprehend har flera applikationer för att möjliggöra korrekta och skalbara varumärkes- och konkurrentinsikter. Du kan använda riktade känslor för affärskritiska processer som live marknadsundersökningar, producera varumärkesupplevelse och förbättra kundnöjdheten.

Följande är ett exempel på hur man använder riktade känslor för en filmrecension.

"Film" är den primära enheten, identifierad som typ movie, och nämns två gånger till som "film" och pronomenet "det". Targeted Sentiment API tillhandahåller sentimentet mot varje enhet. Grönt hänvisar till ett positivt sentiment, rött för negativt och blått för neutralt.

Traditionell analys ger känslan av den övergripande texten, som i det här fallet är blandad. Med riktade känslor kan du få mer detaljerade insikter. I det här scenariot är sentimentet mot filmen både positivt och negativt: positivt med avseende på skådespelarna, men negativt i förhållande till den övergripande kvaliteten. Detta kan ge riktad feedback för filmteamet, som att utöva mer flit vid manusskrivning, men att ta hänsyn till skådespelarna för framtida roller.

Framträdande tillämpningar av sentimentanalys i realtid kommer att variera mellan branscher. Det inkluderar att extrahera marknadsförings- och kundinsikter från liveflöden på sociala medier, videor, liveevenemang eller sändningar, att förstå känslor i forskningssyfte eller att avskräcka cybermobbning. Synkront riktat sentiment driver affärsvärdet genom att ge feedback i realtid inom några sekunder så att du kan fatta beslut i realtid.

Låt oss ta en närmare titt på dessa olika målinriktade applikationer för sentimentanalys i realtid och hur olika branscher kan använda dem:

• Scenario 1 – Åsiktsutvinning av finansiella dokument för att bestämma känslor gentemot en aktie, person eller organisation
• Scenario 2 – Callcenteranalys i realtid för att bestämma granulärt sentiment i kundinteraktioner
• Scenario 3 – Övervaka organisation eller produktfeedback över sociala medier och digitala kanaler, och tillhandahålla support och lösningar i realtid

I de följande avsnitten diskuterar vi varje användningsfall mer i detalj.

Scenario 1: Finansiell opinionsbrytning och generering av handelssignaler

Sentimentanalys är avgörande för marknadsgaranter och värdepappersföretag när de bygger handelsstrategier. Att bestämma granulärt sentiment kan hjälpa handlare att sluta sig till vilken reaktion marknaden kan ha mot globala händelser, affärsbeslut, individer och branschriktning. Denna känsla kan vara en avgörande faktor för om man ska köpa eller sälja en aktie eller råvara.

För att se hur vi kan använda Targeted Sentiment API i dessa scenarier, låt oss titta på ett uttalande från Federal Reserve-ordförande Jerome Powell om inflation.

Som vi kan se i exemplet kan en förståelse för sentimentet mot inflation informera ett köp- eller säljbeslut. I det här scenariot kan man dra slutsatsen från Targeted Sentiment API att ordförande Powells åsikt om inflationen är negativ, och detta kommer med största sannolikhet att resultera i att högre räntor bromsar den ekonomiska tillväxten. För de flesta handlare kan detta resultera i ett säljbeslut. Targeted Sentiment API kan ge handlare snabbare och mer detaljerad insikt än en traditionell dokumentgranskning, och i en bransch där snabbhet är avgörande kan det resultera i betydande affärsvärde.

Följande är en referensarkitektur för användning av riktat sentiment i finansiell opinionsbrytning och scenarier för generering av handelssignaler.

Scenario 2: Kontaktcenteranalys i realtid

En positiv kontaktcenterupplevelse är avgörande för att leverera en stark kundupplevelse. För att säkerställa positiva och produktiva upplevelser kan du implementera sentimentanalyser för att mäta kundernas reaktioner, kundernas skiftande humör under interaktionens varaktighet och effektiviteten i kontaktcenters arbetsflöden och personalutbildning. Med Targeted Sentiment API kan du få detaljerad information i ditt kontaktcenters sentimentanalys. Inte bara kan vi bestämma känslan av interaktionen, utan nu kan vi se vad som orsakade den negativa eller positiva reaktionen och vidta lämpliga åtgärder.

Vi visar detta med följande utskrifter av en kund som returnerar en felaktigt fungerande brödrost. För det här exemplet visar vi exempel på uttalanden som kunden gör.

Som vi kan se börjar samtalet ganska negativt. Med Targeted Sentiment API kan vi fastställa grundorsaken till det negativa sentimentet och se att det handlar om en felaktigt fungerande brödrost. Vi kan använda denna information för att köra vissa arbetsflöden, eller för att förflytta oss till olika avdelningar.

Genom samtalet kan vi också se att kunden inte var mottaglig för erbjudandet om ett presentkort. Vi kan använda denna information för att förbättra agentutbildningen, omvärdera om vi ens bör ta upp ämnet i dessa scenarier, eller bestämma om denna fråga bara ska ställas med en mer neutral eller positiv känsla.

Slutligen kan vi se att servicen som tillhandahålls av agenten togs emot positivt även om kunden fortfarande var upprörd över brödrosten. Vi kan använda denna information för att validera agentutbildning och belöna starka agentprestationer.

Följande är en referensarkitektur som införlivar riktade känslor i realtidsanalys av kontaktcenter.

Scenario 3: Övervaka sociala medier för kundernas sentiment

Receptionen på sociala medier kan vara en avgörande faktor för produkt- och organisationstillväxt. Att spåra hur kunder reagerar på företagsbeslut, produktlanseringar eller marknadsföringskampanjer är avgörande för att avgöra effektiviteten.

Vi kan visa hur man använder Targeted Sentiment API i det här scenariot genom att använda Twitter-recensioner av en ny uppsättning hörlurar.

I det här exemplet är det blandade reaktioner på lanseringen av hörlurarna, men det finns ett genomgående tema av att ljudkvaliteten är dålig. Företag kan använda denna information för att se hur användare reagerar på vissa attribut och se var produktförbättringar bör göras i framtida iterationer.

Följande är en referensarkitektur som använder Targeted Sentiment API för sentimentanalys i sociala medier.

Kom igång med Targeted Sentiment

För att använda riktade känslor på Amazon Comprehend-konsolen, slutför följande steg:

1. Välj på Amazon Comprehend-konsolen Starta Amazon Comprehend.
   
2. För Mata in text, ange vilken text du vill analysera.
3. Välja Analysera.
   

Efter att dokumentet har analyserats kan utdata från Targeted Sentiment API hittas på Riktat sentiment fliken i Insikter sektion. Här kan du se den analyserade texten, varje entitets respektive sentiment och referensgruppen den är associerad med.

I Applikationsintegration kan du hitta begäran och svaret för den analyserade texten.

Använd målinriktad sentiment programmerat

För att komma igång med det synkrona API:t programmatiskt har du två alternativ:

• upptäcka-riktade-sentiment – Detta API ger den riktade känslan för ett enda textdokument
• batch-detektera-riktade-sentiment – Detta API ger den riktade känslan för en lista över dokument

Du kan interagera med API:t med AWS-kommandoradsgränssnitt (AWS CLI) eller via AWS SDK. Innan vi börjar, se till att du har konfigurerat AWS CLI och att du har de behörigheter som krävs för att interagera med Amazon Comprehend.

Targeted Sentiment synchronous API kräver att två begärandeparametrar skickas:

• Språkkod – Textens språk
• Text eller TextList – UTF-8-texten som bearbetas

Följande kod är ett exempel för detect-targeted-sentiment API:

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

Följande är ett exempel för batch-detect-targeted-sentiment API:

{

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

}

Låt oss nu titta på några exempel på AWS CLI-kommandon.

Följande kod är ett exempel för 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

Följande är ett exempel för 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

Följande är ett exempel på Boto3 SDK API-anrop:

import boto3
import subprocess

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

Följande är ett exempel på detect-targeted-sentiment API:

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

Följande är ett exempel 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"]
)

För mer information om API-syntaxen, se Amazon Comprehend Developer Guide.

API-svarsstruktur

Targeted Sentiment API ger ett enkelt sätt att konsumera resultatet av dina jobb. Det ger en logisk gruppering av de entiteter (entitetsgrupper) som upptäckts, tillsammans med sentimentet för varje entitet. Följande är några definitioner av fälten som finns i svaret:

• enheter – De väsentliga delarna av dokumentet. Till exempel, Person, Place, Date, Food, eller Taste.
• Mentions – Referenser eller omnämnanden av enheten i dokumentet. Dessa kan vara pronomen eller vanliga substantiv som "det", "honom", "bok" och så vidare. Dessa är organiserade i ordning efter plats (offset) i dokumentet.
• DescriptiveMentionIndex – Indexet i Mentions som ger den bästa bilden av entitetsgruppen. Till exempel nämner "ABC Hotel" istället för "hotell", "det" eller andra vanliga substantiv.
• GroupScore – Förtroendet för att alla enheter som nämns i gruppen är relaterade till samma enhet (såsom "jag", "jag" och "jag själv" hänvisar till en person).
• text – Texten i dokumentet som skildrar enheten.
• Typ – En beskrivning av vad enheten avbildar.
• Betyg – Modellens förtroende för att detta är en relevant enhet.
• MentionSentiment – Den faktiska känslan som hittades för omnämnandet.
• Sentiment – Strängvärdet för positivt, neutralt, negativt eller blandat.
• SentimentScore – Modellens förtroende för varje möjlig sentiment.
• StartOffset – Förskjutningen i dokumenttexten där omnämnandet börjar.
• EndOffset – Förskjutningen i dokumenttexten där omnämnandet slutar.

För en mer detaljerad uppdelning, se Extrahera granulära känslor i text med Amazon Comprehend Targeted Sentiment or Utdatafilsorganisation.

Slutsats

Sentimentanalys förblir avgörande för organisationer av en mängd olika skäl – från att spåra kundernas sentiment över tid för företag, till att sluta sig till om en produkt gillas eller ogillas, till att förstå åsikter från användare av ett socialt nätverk om vissa ämnen, eller till och med förutsäga resultaten av kampanjer. Riktad sentiment i realtid kan vara effektivt för företag, vilket gör att de kan gå längre än en övergripande sentimentanalys för att utforska insikter för att driva kundupplevelser med Amazon Comprehend.

För att lära dig mer om Targeted Sentiment for Amazon Comprehend, se Riktat sentiment.

Om författarna

Raj Pathak är en lösningsarkitekt och teknisk rådgivare till Fortune 50 och medelstora FSI-kunder (Banking, Insurance, Capital Markets) i Kanada och USA. Raj är specialiserad på maskininlärning med applikationer inom dokumentextraktion, kontaktcentertransformation och datorseende.

Wrick Talukdar är en senior arkitekt med Amazon Comprehend Service-team. Han arbetar med AWS-kunder för att hjälpa dem att ta till sig maskininlärning i stor skala. Utanför jobbet tycker han om att läsa och fotografera.