Amazon Comprehend Targeted Sentiment เพิ่มการรองรับแบบซิงโครนัส

เมื่อต้นปีนี้ เข้าใจ Amazonซึ่งเป็นบริการประมวลผลภาษาธรรมชาติ (NLP) ที่ใช้การเรียนรู้ของเครื่อง (ML) เพื่อค้นหาข้อมูลเชิงลึกจากข้อความ เปิดตัวฟีเจอร์ Targeted Sentiment. ด้วยความเชื่อมั่นที่เป็นเป้าหมาย คุณสามารถระบุกลุ่มของการกล่าวถึง (กลุ่มอ้างอิงร่วม) ที่สอดคล้องกับเอนทิตีหรือแอตทริบิวต์ในโลกแห่งความเป็นจริงเดียว จัดเตรียมความรู้สึกที่เกี่ยวข้องกับการกล่าวถึงแต่ละเอนทิตี และเสนอการจัดประเภทของเอนทิตีในโลกแห่งความเป็นจริงตาม รายการที่กำหนดไว้ล่วงหน้าของหน่วยงาน.

วันนี้ เรารู้สึกตื่นเต้นที่จะประกาศเปิดตัว API แบบซิงโครนัสใหม่สำหรับความเชื่อมั่นแบบกำหนดเป้าหมายใน Amazon Comprehend ซึ่งให้ความเข้าใจที่ละเอียดเกี่ยวกับความรู้สึกที่เกี่ยวข้องกับเอนทิตีเฉพาะในเอกสารป้อนข้อมูล

ในโพสต์นี้ เราให้ภาพรวมเกี่ยวกับวิธีที่คุณสามารถเริ่มต้นใช้งาน Amazon Comprehend Targeted Sentiment synchronous API ศึกษาโครงสร้างผลลัพธ์ และอภิปรายกรณีการใช้งานแยกกันสามกรณี

กรณีใช้ความรู้สึกเป้าหมาย

การวิเคราะห์ความคิดเห็นแบบกำหนดเป้าหมายตามเวลาจริงใน Amazon Comprehend มีแอปพลิเคชันมากมายที่ช่วยให้เข้าใจแบรนด์และคู่แข่งได้อย่างแม่นยำและปรับขนาดได้ คุณสามารถใช้อารมณ์ที่เป็นเป้าหมายสำหรับกระบวนการที่มีความสำคัญต่อธุรกิจ เช่น การวิจัยตลาดสด การสร้างประสบการณ์แบรนด์ และปรับปรุงความพึงพอใจของลูกค้า

ต่อไปนี้เป็นตัวอย่างการใช้อารมณ์เป้าหมายในการวิจารณ์ภาพยนตร์

“ภาพยนตร์” เป็นเอนทิตีหลัก ระบุว่าเป็นประเภท movieและถูกกล่าวถึงอีก XNUMX ครั้งว่า "ภาพยนตร์" และคำสรรพนาม "มัน" Targeted Sentiment API มอบความรู้สึกที่มีต่อแต่ละเอนทิตี สีเขียวหมายถึงความรู้สึกเชิงบวก สีแดงสำหรับเชิงลบ และสีน้ำเงินสำหรับความรู้สึกเป็นกลาง

การวิเคราะห์แบบดั้งเดิมให้ความรู้สึกของข้อความโดยรวม ซึ่งในกรณีนี้จะผสมกัน ด้วยความเชื่อมั่นที่ตรงเป้าหมาย คุณจะได้รับข้อมูลเชิงลึกที่ละเอียดยิ่งขึ้น ในสถานการณ์นี้ ความรู้สึกที่มีต่อภาพยนตร์เป็นทั้งแง่บวกและแง่ลบ: ในแง่บวกสำหรับนักแสดง แต่เป็นเชิงลบเมื่อเทียบกับคุณภาพโดยรวม สิ่งนี้สามารถให้ข้อเสนอแนะที่เป็นเป้าหมายแก่ทีมภาพยนตร์ เช่น ต้องใช้ความพากเพียรในการเขียนบทมากขึ้น แต่ให้พิจารณานักแสดงสำหรับบทบาทในอนาคต

การใช้งานที่โดดเด่นของการวิเคราะห์ความรู้สึกแบบเรียลไทม์จะแตกต่างกันไปตามอุตสาหกรรม ซึ่งรวมถึงการดึงข้อมูลเชิงลึกด้านการตลาดและลูกค้าจากฟีดโซเชียลมีเดีย วิดีโอ การถ่ายทอดสด หรือการออกอากาศ การทำความเข้าใจอารมณ์เพื่อการวิจัย หรือการยับยั้งการกลั่นแกล้งทางอินเทอร์เน็ต ความรู้สึกเป้าหมายแบบซิงโครนัสขับเคลื่อนมูลค่าทางธุรกิจโดยการให้ข้อเสนอแนะแบบเรียลไทม์ภายในไม่กี่วินาที เพื่อให้คุณสามารถตัดสินใจได้แบบเรียลไทม์

มาดูแอปพลิเคชันวิเคราะห์ความรู้สึกเป้าหมายแบบเรียลไทม์ต่างๆ เหล่านี้อย่างละเอียดยิ่งขึ้น และวิธีที่อุตสาหกรรมต่างๆ อาจใช้แอปพลิเคชันเหล่านี้:

• สถานการณ์สมมติ 1 – การทำเหมืองความคิดเห็นของเอกสารทางการเงินเพื่อกำหนดความเชื่อมั่นต่อหุ้น บุคคล หรือองค์กร
• สถานการณ์สมมติ 2 – การวิเคราะห์คอลเซ็นเตอร์แบบเรียลไทม์เพื่อกำหนดความรู้สึกที่ละเอียดในการโต้ตอบกับลูกค้า
• สถานการณ์สมมติ 3 – ตรวจสอบความคิดเห็นขององค์กรหรือผลิตภัณฑ์ผ่านโซเชียลมีเดียและช่องทางดิจิทัล และให้การสนับสนุนและแก้ไขปัญหาแบบเรียลไทม์

ในส่วนต่อไปนี้ เราจะพูดถึงแต่ละกรณีการใช้งานโดยละเอียดยิ่งขึ้น

สถานการณ์ที่ 1: การขุดความคิดเห็นทางการเงินและการสร้างสัญญาณการซื้อขาย

การวิเคราะห์ความเชื่อมั่นเป็นสิ่งสำคัญสำหรับผู้ดูแลสภาพคล่องและบริษัทการลงทุนในการสร้างกลยุทธ์การซื้อขาย การระบุความรู้สึกที่ละเอียดสามารถช่วยผู้ค้าสรุปปฏิกิริยาที่ตลาดอาจมีต่อเหตุการณ์ระดับโลก การตัดสินใจทางธุรกิจ บุคคล และทิศทางของอุตสาหกรรม ความรู้สึกนี้สามารถเป็นตัวกำหนดว่าจะซื้อหรือขายหุ้นหรือสินค้าโภคภัณฑ์

เพื่อดูว่าเราจะใช้ Targeted Sentiment API ในสถานการณ์เหล่านี้ได้อย่างไร มาดูคำแถลงของประธานธนาคารกลางสหรัฐเจอโรม พาวเวลล์ เกี่ยวกับภาวะเงินเฟ้อ

ดังที่เราเห็นในตัวอย่าง การทำความเข้าใจความรู้สึกที่มีต่อเงินเฟ้อสามารถแจ้งการตัดสินใจซื้อหรือขายได้ ในสถานการณ์สมมตินี้ สามารถอนุมานได้จาก Targeted Sentiment API ว่าความคิดเห็นของ Chair Powell เกี่ยวกับอัตราเงินเฟ้อติดลบ และมีแนวโน้มมากที่สุดที่จะส่งผลให้อัตราดอกเบี้ยที่สูงขึ้นทำให้การเติบโตทางเศรษฐกิจชะลอตัวลง สำหรับผู้ค้าส่วนใหญ่ การทำเช่นนี้อาจส่งผลให้มีการตัดสินใจขาย Targeted Sentiment API ช่วยให้นักเทรดได้รับข้อมูลเชิงลึกที่ละเอียดและรวดเร็วกว่าการตรวจสอบเอกสารแบบเดิมๆ และในอุตสาหกรรมที่ความเร็วเป็นสิ่งสำคัญมาก อาจส่งผลให้ธุรกิจมีมูลค่ามหาศาล

ต่อไปนี้คือสถาปัตยกรรมอ้างอิงสำหรับการใช้ความเชื่อมั่นที่เป็นเป้าหมายในการจำลองความเห็นทางการเงินและการสร้างสัญญาณการซื้อขาย

สถานการณ์ที่ 2: การวิเคราะห์ศูนย์ติดต่อแบบเรียลไทม์

ประสบการณ์คอนแทคเซ็นเตอร์ที่ดีเป็นสิ่งสำคัญในการมอบประสบการณ์ลูกค้าที่แข็งแกร่ง เพื่อช่วยให้มั่นใจได้ถึงประสบการณ์เชิงบวกและประสิทธิผล คุณสามารถใช้การวิเคราะห์ความรู้สึกเพื่อวัดปฏิกิริยาของลูกค้า อารมณ์ของลูกค้าที่เปลี่ยนแปลงตลอดระยะเวลาของการโต้ตอบ และประสิทธิภาพของเวิร์กโฟลว์ของศูนย์ติดต่อและการฝึกอบรมพนักงาน ด้วย Targeted Sentiment API คุณจะได้รับข้อมูลแบบละเอียดภายในการวิเคราะห์ความคิดเห็นของศูนย์ติดต่อของคุณ ไม่เพียงแต่เราสามารถกำหนดความรู้สึกของการโต้ตอบได้ แต่ตอนนี้ เราสามารถเห็นสิ่งที่ทำให้เกิดปฏิกิริยาเชิงลบหรือเชิงบวก และดำเนินการตามความเหมาะสม

เราสาธิตสิ่งนี้ด้วยการถอดเสียงจากลูกค้าที่ส่งคืนเครื่องปิ้งขนมปังที่ชำรุด สำหรับตัวอย่างนี้ เราแสดงตัวอย่างงบที่ลูกค้ากำลังทำ

อย่างที่เราเห็น บทสนทนาเริ่มต้นในทางลบ ด้วย Targeted Sentiment API เราสามารถระบุสาเหตุของอารมณ์เชิงลบและดูว่าเกี่ยวข้องกับเครื่องปิ้งขนมปังที่ทำงานผิดปกติ เราสามารถใช้ข้อมูลนี้เพื่อเรียกใช้เวิร์กโฟลว์บางอย่าง หรือกำหนดเส้นทางไปยังแผนกต่างๆ

จากการสนทนา เรายังเห็นว่าลูกค้าไม่ตอบรับข้อเสนอบัตรของขวัญ เราสามารถใช้ข้อมูลนี้เพื่อปรับปรุงการฝึกอบรมตัวแทน ประเมินใหม่ว่าเราควรจะนำเสนอหัวข้อในสถานการณ์เหล่านี้หรือไม่ หรือตัดสินใจว่าควรถามคำถามนี้ด้วยความรู้สึกที่เป็นกลางหรือเชิงบวกเท่านั้น

สุดท้ายนี้ เราเห็นได้ว่าบริการที่ได้รับจากตัวแทนได้รับการตอบรับเป็นอย่างดีแม้ว่าลูกค้าจะยังไม่พอใจกับเครื่องปิ้งขนมปังก็ตาม เราสามารถใช้ข้อมูลนี้เพื่อตรวจสอบการฝึกอบรมตัวแทนและให้รางวัลกับประสิทธิภาพของตัวแทนที่แข็งแกร่ง

ต่อไปนี้เป็นสถาปัตยกรรมอ้างอิงที่รวมความรู้สึกที่เป็นเป้าหมายเข้ากับการวิเคราะห์ศูนย์ติดต่อแบบเรียลไทม์

สถานการณ์ที่ 3: การตรวจสอบโซเชียลมีเดียสำหรับความรู้สึกของลูกค้า

การรับสื่อสังคมออนไลน์สามารถเป็นปัจจัยในการตัดสินใจสำหรับการเติบโตของผลิตภัณฑ์และองค์กร การติดตามว่าลูกค้ามีปฏิกิริยาอย่างไรต่อการตัดสินใจของบริษัท การเปิดตัวผลิตภัณฑ์ หรือแคมเปญการตลาดเป็นสิ่งสำคัญในการกำหนดประสิทธิภาพ

เราสามารถสาธิตวิธีใช้ Targeted Sentiment API ในสถานการณ์นี้โดยใช้บทวิจารณ์ Twitter ของหูฟังชุดใหม่

ในตัวอย่างนี้ มีปฏิกิริยาที่หลากหลายต่อการเปิดตัวหูฟัง แต่มีประเด็นที่สอดคล้องกันว่าคุณภาพเสียงไม่ดี บริษัทต่างๆ สามารถใช้ข้อมูลนี้เพื่อดูว่าผู้ใช้มีปฏิกิริยาอย่างไรต่อคุณลักษณะบางอย่าง และดูว่าควรปรับปรุงผลิตภัณฑ์ในด้านใดบ้างในการทำซ้ำในอนาคต

ต่อไปนี้คือสถาปัตยกรรมอ้างอิงโดยใช้ Targeted Sentiment API สำหรับการวิเคราะห์ความรู้สึกทางโซเชียลมีเดีย

เริ่มต้นกับความเชื่อมั่นที่ตรงเป้าหมาย

หากต้องการใช้ความเชื่อมั่นที่เป็นเป้าหมายบนคอนโซล Amazon Comprehend ให้ทำตามขั้นตอนต่อไปนี้:

1. บนคอนโซล Amazon Comprehend ให้เลือก เปิดตัว Amazon Comprehend.
   
2. สำหรับ ป้อนข้อความป้อนข้อความที่คุณต้องการวิเคราะห์
3. Choose วิเคราะห์.
   

หลังจากวิเคราะห์เอกสารแล้ว ผลลัพธ์ของ Targeted Sentiment API จะอยู่ที่ ความรู้สึกเป้าหมาย แท็บในนั้น ข้อมูลเชิงลึก ส่วน. คุณสามารถดูข้อความที่วิเคราะห์ ความรู้สึกที่เกี่ยวข้องของแต่ละเอนทิตี และกลุ่มอ้างอิงที่เกี่ยวข้องได้ที่นี่

ตัว Vortex Indicator ได้ถูกนำเสนอลงในนิตยสาร การรวมแอปพลิเคชัน คุณสามารถค้นหาคำขอและการตอบกลับสำหรับข้อความที่วิเคราะห์ได้

ใช้ความเชื่อมั่นที่กำหนดเป้าหมายโดยทางโปรแกรม

ในการเริ่มต้นใช้งาน API แบบซิงโครนัสโดยทางโปรแกรม คุณมีสองตัวเลือก:

• ตรวจจับเป้าหมายความรู้สึก – API นี้ให้อารมณ์เป้าหมายสำหรับเอกสารข้อความเดียว
• ชุดตรวจจับอารมณ์เป้าหมาย – API นี้ให้อารมณ์เป้าหมายสำหรับรายการเอกสาร

คุณสามารถโต้ตอบกับ API กับ อินเทอร์เฟซบรรทัดคำสั่ง AWS AWS (AWS CLI) หรือผ่าน AWS SDK ก่อนที่เราจะเริ่มต้น ตรวจสอบให้แน่ใจว่าคุณได้กำหนดค่า AWS CLI และมีสิทธิ์ที่จำเป็นในการโต้ตอบกับ Amazon Comprehend

API แบบซิงโครนัส Targeted Sentiment กำหนดให้ส่งผ่านพารามิเตอร์คำขอสองรายการ:

• รหัสภาษา – ภาษาของข้อความ
• ข้อความหรือ TextList – ข้อความ UTF-8 ที่ประมวลผล

รหัสต่อไปนี้เป็นตัวอย่างสำหรับ detect-targeted-sentiment ไฟ:

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

ต่อไปนี้เป็นตัวอย่างสำหรับ batch-detect-targeted-sentiment ไฟ:

{

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

}

ตอนนี้มาดูตัวอย่างคำสั่ง AWS CLI

รหัสต่อไปนี้เป็นตัวอย่างสำหรับ detect-targeted-sentiment ไฟ:

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

ต่อไปนี้เป็นตัวอย่างสำหรับ batch-detect-targeted-sentiment ไฟ:

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

ต่อไปนี้คือตัวอย่างการเรียก Boto3 SDK API:

import boto3
import subprocess

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

ต่อไปนี้เป็นตัวอย่างของ detect-targeted-sentiment ไฟ:

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

ต่อไปนี้เป็นตัวอย่างของ batch-detect-targeted-sentiment ไฟ:

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

สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับไวยากรณ์ API โปรดดูที่ คู่มือนักพัฒนา Amazon Comprehen.

โครงสร้างการตอบสนอง API

Targeted Sentiment API เป็นวิธีง่ายๆ ในการใช้ผลลัพธ์ของงานของคุณ ให้การจัดกลุ่มเชิงตรรกะของเอนทิตี (กลุ่มเอนทิตี) ที่ตรวจพบ พร้อมกับความคิดเห็นสำหรับแต่ละเอนทิตี ต่อไปนี้เป็นคำจำกัดความบางส่วนของฟิลด์ที่อยู่ในการตอบสนอง:

• หน่วยงาน – ส่วนสำคัญของเอกสาร ตัวอย่างเช่น, Person, Place, Date, Food,หรือ Taste.
• กล่าวถึง – การอ้างอิงหรือกล่าวถึงนิติบุคคลในเอกสาร สิ่งเหล่านี้อาจเป็นคำสรรพนามหรือคำนามทั่วไป เช่น “มัน” “เขา” “หนังสือ” เป็นต้น สิ่งเหล่านี้ถูกจัดเรียงตามตำแหน่ง (ออฟเซ็ต) ในเอกสาร
• ดัชนีการกล่าวถึงเชิงพรรณนา – ดัชนีใน Mentions ที่ให้ภาพที่ดีที่สุดของกลุ่มเอนทิตี ตัวอย่างเช่น “ABC Hotel” แทนที่จะเป็น “hotel,” “it” หรือคำนามทั่วไปอื่นๆ ที่กล่าวถึง
• คะแนนกลุ่ม – ความเชื่อมั่นว่าเอนทิตีทั้งหมดที่กล่าวถึงในกลุ่มนั้นเกี่ยวข้องกับเอนทิตีเดียวกัน (เช่น “ฉัน” “ฉัน” และ “ตัวฉันเอง” ที่หมายถึงบุคคลหนึ่งคน)
• ข้อความ – ข้อความในเอกสารที่แสดงถึงตัวตน
• ชนิดภาพเขียน – คำอธิบายของสิ่งที่เอนทิตีแสดงให้เห็น
• คะแนน – แบบจำลองความเชื่อมั่นว่านี่เป็นหน่วยงานที่เกี่ยวข้อง
• กล่าวถึงความรู้สึก – ความรู้สึกที่แท้จริงที่พบในการกล่าวถึง
• สภาพอารมณ์ – ค่าสตริงของค่าบวก ค่ากลาง ค่าลบ หรือค่าผสม
• คะแนนความเชื่อมั่น – ความเชื่อมั่นของแบบจำลองสำหรับแต่ละความรู้สึกที่เป็นไปได้
• เริ่มต้นชดเชย – ออฟเซ็ตเป็นข้อความในเอกสารที่การกล่าวถึงเริ่มต้นขึ้น
• สิ้นสุดการชดเชย – ออฟเซ็ตในข้อความเอกสารที่กล่าวถึงสิ้นสุดลง

ดูรายละเอียดเพิ่มเติมได้ที่ ดึงความรู้สึกแบบละเอียดในข้อความด้วย Amazon Comprehend Targeted Sentiment or การจัดไฟล์เอาต์พุต.

สรุป

การวิเคราะห์ความเชื่อมั่นยังคงมีความสำคัญสำหรับองค์กรด้วยเหตุผลหลายประการ ตั้งแต่การติดตามความคิดเห็นของลูกค้าในช่วงเวลาของธุรกิจ ไปจนถึงการอนุมานว่าผลิตภัณฑ์นั้นชอบหรือไม่ชอบ ไปจนถึงการทำความเข้าใจความคิดเห็นของผู้ใช้เครือข่ายสังคมในหัวข้อใดหัวข้อหนึ่ง หรือแม้แต่การทำนายผลลัพธ์ของ แคมเปญ ความรู้สึกที่ตรงเป้าหมายตามเวลาจริงอาจมีประสิทธิภาพสำหรับธุรกิจ ทำให้พวกเขาก้าวไปไกลกว่าการวิเคราะห์ความคิดเห็นโดยรวมเพื่อสำรวจข้อมูลเชิงลึกเพื่อขับเคลื่อนประสบการณ์ของลูกค้าโดยใช้ Amazon Comprehend

หากต้องการเรียนรู้เพิ่มเติมเกี่ยวกับความเชื่อมั่นเป้าหมายสำหรับ Amazon Comprehend โปรดดูที่ ความรู้สึกเป้าหมาย.

เกี่ยวกับผู้แต่ง

ราชปฏัก เป็นสถาปนิกโซลูชันและที่ปรึกษาด้านเทคนิคสำหรับลูกค้า Fortune 50 และ FSI ขนาดกลาง (การธนาคาร ประกันภัย ตลาดทุน) ทั่วแคนาดาและสหรัฐอเมริกา Raj เชี่ยวชาญด้านแมชชีนเลิร์นนิงด้วยแอปพลิเคชันในการดึงเอกสาร การแปลงศูนย์การติดต่อ และคอมพิวเตอร์วิทัศน์

Wrick ตะลักดาร์ เป็นสถาปนิกอาวุโสกับทีมงาน Amazon Comprehend Service เขาทำงานร่วมกับลูกค้า AWS เพื่อช่วยให้พวกเขานำแมชชีนเลิร์นนิงมาใช้ในวงกว้าง นอกเวลางาน เขาชอบอ่านหนังสือและถ่ายภาพ