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 movie
และถูกกล่าวถึงอีก 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:
- บนคอนโซล Amazon Comprehend ให้เลือก เปิดตัว Amazon Comprehend.
- สำหรับ ป้อนข้อความป้อนข้อความที่คุณต้องการวิเคราะห์
- 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:
ต่อไปนี้เป็นตัวอย่างสำหรับ batch-detect-targeted-sentiment
ไฟ:
ตอนนี้มาดูตัวอย่างคำสั่ง AWS CLI
รหัสต่อไปนี้เป็นตัวอย่างสำหรับ detect-targeted-sentiment
ไฟ:
ต่อไปนี้เป็นตัวอย่างสำหรับ batch-detect-targeted-sentiment
ไฟ:
ต่อไปนี้คือตัวอย่างการเรียก Boto3 SDK API:
ต่อไปนี้เป็นตัวอย่างของ detect-targeted-sentiment
ไฟ:
ต่อไปนี้เป็นตัวอย่างของ batch-detect-targeted-sentiment
ไฟ:
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
,หรือTaste
. - 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
- AI
- ไอ อาร์ต
- เครื่องกำเนิดไออาร์ท
- หุ่นยนต์ไอ
- เข้าใจ Amazon
- ปัญญาประดิษฐ์
- ใบรับรองปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ในการธนาคาร
- หุ่นยนต์ปัญญาประดิษฐ์
- หุ่นยนต์ปัญญาประดิษฐ์
- ซอฟต์แวร์ปัญญาประดิษฐ์
- AWS Machine Learning AWS
- blockchain
- การประชุม blockchain ai
- เหรียญอัจฉริยะ
- ปัญญาประดิษฐ์สนทนา
- การประชุม crypto ai
- ดัล-อี
- การเรียนรู้ลึก ๆ
- google ai
- ระดับกลาง (200)
- เรียนรู้เครื่อง
- เพลโต
- เพลโตไอ
- เพลโตดาต้าอินเทลลิเจนซ์
- เกมเพลโต
- เพลโตดาต้า
- เพลโตเกม
- ขนาดไอ
- วากยสัมพันธ์
- ลมทะเล