Amazon Comprehend Targeted Sentiment, eşzamanlı destek ekler

Bu senenin başlarında, Amazon Kavramak, metinden içgörüler keşfetmek için makine öğrenimini (ML) kullanan bir doğal dil işleme (NLP) hizmeti, Hedeflenen Duygu özelliğini başlattı. Hedeflenen Duyarlılık ile, tek bir gerçek dünya varlığına veya özniteliğine karşılık gelen söz gruplarını (ortak referans grupları) tanımlayabilir, bahsedilen her varlıkla ilişkili hissi sağlayabilir ve gerçek dünya varlığının sınıflandırmasını sunabilirsiniz. önceden belirlenmiş varlık listesi.

Bugün, giriş belgelerindeki belirli varlıklarla ilişkili duyguların ayrıntılı bir şekilde anlaşılmasını sağlayan, Amazon Comprehend'de hedeflenen duyarlılık için yeni eşzamanlı API'yi duyurmaktan heyecan duyuyoruz.

Bu gönderide, Amazon Comprehend Targeted Sentiment eşzamanlı API'sini nasıl kullanmaya başlayacağınıza, çıktı yapısını nasıl gözden geçireceğinize ve üç ayrı kullanım örneğini nasıl tartışabileceğinize ilişkin bir genel bakış sunuyoruz.

Hedeflenen duyarlılık kullanım örnekleri

Amazon Comprehend'deki gerçek zamanlı hedefli duygu analizi, doğru ve ölçeklenebilir marka ve rakip öngörüleri sağlamak için çeşitli uygulamalara sahiptir. Canlı pazar araştırması, marka deneyimi oluşturma ve müşteri memnuniyetini artırma gibi iş açısından kritik süreçler için hedeflenen duyarlılığı kullanabilirsiniz.

Aşağıda, bir film incelemesi için hedeflenen duyarlılığın kullanılmasına bir örnek verilmiştir.

"Film", tür olarak tanımlanan birincil varlıktır movie, ve iki kez daha "film" ve "o" zamiri olarak anılır. Hedeflenen Duyarlılık API'si, her bir varlığa yönelik duyarlılığı sağlar. Yeşil, olumlu bir duyguyu, olumsuz için kırmızı ve nötr için mavi anlamına gelir.

Geleneksel analiz, bu durumda karışık olan genel metnin duyarlılığını sağlar. Hedeflenen duyarlılıkla daha ayrıntılı içgörüler elde edebilirsiniz. Bu senaryoda, filme yönelik duygu hem olumlu hem de olumsuzdur: oyuncular açısından olumlu, ancak genel kalite açısından olumsuz. Bu, film ekibine senaryo yazımında daha fazla özen göstermek, ancak oyuncuları gelecekteki roller için düşünmek gibi hedefli geri bildirim sağlayabilir.

Gerçek zamanlı duygu analizinin öne çıkan uygulamaları sektörler arasında farklılık gösterecektir. Canlı sosyal medya beslemelerinden, videolardan, canlı etkinliklerden veya yayınlardan pazarlama ve müşteri içgörüleri çıkarmayı, araştırma amacıyla duyguları anlamayı veya siber zorbalığı caydırmayı içerir. Senkronize hedefli duyarlılık, gerçek zamanlı olarak kararlar alabilmeniz için saniyeler içinde gerçek zamanlı geri bildirim sağlayarak iş değerini artırır.

Bu çeşitli gerçek zamanlı hedefli duygu analizi uygulamalarına ve farklı endüstrilerin bunları nasıl kullanabileceğine daha yakından bakalım:

• Senaryo 1 – Bir hisse senedi, kişi veya kuruluşa yönelik duyarlılığı belirlemek için finansal belgelerin fikir madenciliği
• Senaryo 2 – Müşteri etkileşimlerinde ayrıntılı duyarlılığı belirlemek için gerçek zamanlı çağrı merkezi analitiği
• Senaryo 3 – Sosyal medya ve dijital kanallar üzerinden organizasyon veya ürün geri bildirimlerini izlemek ve gerçek zamanlı destek ve çözümler sağlamak

Aşağıdaki bölümlerde, her bir kullanım durumunu daha ayrıntılı olarak tartışacağız.

Senaryo 1: Mali görüş madenciliği ve ticaret sinyali üretimi

Duygu analizi, ticaret stratejileri oluştururken piyasa yapıcılar ve yatırım firmaları için çok önemlidir. Parçacıklı duyarlılığı belirlemek, tüccarların küresel olaylara, iş kararlarına, bireylere ve endüstri yönüne karşı piyasanın ne gibi tepkiler verebileceğini tahmin etmelerine yardımcı olabilir. Bu duyarlılık, bir hisse senedi veya emtia alıp almama konusunda belirleyici bir faktör olabilir.

Bu senaryolarda Hedeflenen Duyarlılık API'sini nasıl kullanabileceğimizi görmek için Federal Rezerv Başkanı Jerome Powell'ın enflasyonla ilgili yaptığı açıklamaya bakalım.

Örnekte görebileceğimiz gibi, enflasyona karşı duyarlılığı anlamak, bir satın alma veya satma kararı verebilir. Bu senaryoda, Hedeflenen Duyarlılık API'sinden Başkan Powell'ın enflasyon hakkındaki görüşünün olumsuz olduğu ve bunun büyük olasılıkla ekonomik büyümeyi yavaşlatan daha yüksek faiz oranlarına yol açacağı çıkarılabilir. Çoğu tüccar için bu, bir satış kararıyla sonuçlanabilir. Hedeflenen Duyarlılık API'si, tüccarlara geleneksel bir belge incelemesinden daha hızlı ve daha ayrıntılı bilgiler sağlayabilir ve hızın çok önemli olduğu bir sektörde önemli iş değeri sağlayabilir.

Aşağıdakiler, finansal görüş madenciliği ve alım satım sinyali oluşturma senaryolarında hedeflenen duyarlılığı kullanmak için bir referans mimarisidir.

Senaryo 2: Gerçek zamanlı iletişim merkezi analizi

Güçlü bir müşteri deneyimi sunmak için olumlu bir çağrı merkezi deneyimi çok önemlidir. Olumlu ve üretken deneyimler sağlamaya yardımcı olmak için müşteri tepkilerini, etkileşim süresi boyunca değişen müşteri ruh hallerini ve iletişim merkezi iş akışlarının ve çalışan eğitiminin etkinliğini ölçmek için duyarlılık analizi uygulayabilirsiniz. Hedeflenen Duyarlılık API'si ile, iletişim merkezi duygu analiziniz içinde ayrıntılı bilgi alabilirsiniz. Sadece etkileşimin hissini belirlemekle kalmıyor, aynı zamanda olumsuz veya olumlu tepkiye neyin neden olduğunu görebiliyoruz ve uygun eylemi gerçekleştirebiliyoruz.

Bunu, arızalı bir ekmek kızartma makinesini iade eden bir müşterinin aşağıdaki transkriptleriyle gösteriyoruz. Bu örnek için müşterinin yaptığı örnek ifadeleri gösteriyoruz.

Gördüğümüz gibi, konuşma oldukça olumsuz başlıyor. Hedeflenen Duyarlılık API'sı ile olumsuz duygunun temel nedenini belirleyebilir ve bunun arızalı bir ekmek kızartma makinesiyle ilgili olduğunu görebiliriz. Bu bilgileri belirli iş akışlarını çalıştırmak veya farklı departmanlara yönlendirmek için kullanabiliriz.

Görüşme sırasında, müşterinin hediye kartı teklifini kabul etmediğini de görebiliriz. Bu bilgiyi temsilci eğitimini geliştirmek, konuyu bu senaryolarda gündeme getirmemiz gerekip gerekmediğini yeniden değerlendirmek veya bu sorunun yalnızca daha tarafsız mı yoksa olumlu bir duyguyla mı sorulacağına karar vermek için kullanabiliriz.

Son olarak, müşteri tost makinesi konusunda hala üzgün olmasına rağmen, acente tarafından verilen hizmetin olumlu karşılandığını görebiliyoruz. Bu bilgileri temsilci eğitimini doğrulamak ve güçlü temsilci performansını ödüllendirmek için kullanabiliriz.

Aşağıdaki, hedeflenen duyarlılığı gerçek zamanlı iletişim merkezi analitiğiyle birleştiren bir referans mimarisidir.

Senaryo 3: Müşteri duyarlılığı için sosyal medyayı izleme

Sosyal medya alımı, ürün ve organizasyonel büyüme için belirleyici bir faktör olabilir. Müşterilerin şirket kararlarına, ürün lansmanlarına veya pazarlama kampanyalarına nasıl tepki verdiğini izlemek, etkinliği belirlemede kritik öneme sahiptir.

Yeni bir kulaklık setinin Twitter incelemelerini kullanarak bu senaryoda Targeted Sentiment API'sinin nasıl kullanılacağını gösterebiliriz.

Bu örnekte, kulaklıkların piyasaya sürülmesiyle ilgili karışık tepkiler var, ancak ses kalitesinin düşük olduğu konusunda tutarlı bir tema var. Şirketler, kullanıcıların belirli özelliklere nasıl tepki verdiğini ve gelecekteki yinelemelerde ürün iyileştirmelerinin nerede yapılması gerektiğini görmek için bu bilgileri kullanabilir.

Aşağıdaki, sosyal medya duyarlılık analizi için Hedeflenen Duyarlılık API'sini kullanan bir referans mimarisidir.

Hedeflenen Duyarlılık ile başlayın

Amazon Comprehend konsolunda hedeflenen duyarlılığı kullanmak için aşağıdaki adımları tamamlayın:

1. Amazon Comprehend konsolunda şunu seçin: Amazon Anlamak'ı Başlatın.
   
2. İçin Giriş metni, analiz etmek istediğiniz herhangi bir metni girin.
3. Klinik Çözümlemek.
   

Belge analiz edildikten sonra, Hedeflenen Duyarlılık API'sinin çıktısı şurada bulunabilir: Hedeflenen duygu sekme Trendleri bölüm. Burada analiz edilen metni, her bir varlığın ilgili duyarlılığını ve ilişkili olduğu referans grubunu görebilirsiniz.

içinde Uygulama entegrasyonu bölümünde, analiz edilen metin için istek ve yanıtı bulabilirsiniz.

Programlı olarak Hedeflenen Duyarlılığı kullanın

Eşzamanlı API'yi programlı olarak kullanmaya başlamak için iki seçeneğiniz vardır:

• tespit-hedefli-duygu – Bu API, tek bir metin belgesi için hedeflenen duyarlılığı sağlar
• toplu-algılama-hedefli-duyarlılık – Bu API, bir belge listesi için hedeflenen duyarlılığı sağlar

API ile etkileşimde bulunabilirsiniz. AWS Komut Satırı Arayüzü (AWS CLI) veya AWS SDK aracılığıyla. Başlamadan önce, AWS CLI'yi yapılandırdığınızdan ve Amazon Comprehend ile etkileşim kurmak için gerekli izinlere sahip olduğunuzdan emin olun.

Hedeflenen Duyarlılık eşzamanlı API'sinin iletilmesi için iki istek parametresi gerekir:

• Dil kodu – Metnin dili
• Metin veya TextList – İşlenen UTF-8 metni

Aşağıdaki kod için bir örnektir detect-targeted-sentiment API:

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

Aşağıdakiler için bir örnek batch-detect-targeted-sentiment API:

{

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

}

Şimdi bazı örnek AWS CLI komutlarına bakalım.

Aşağıdaki kod için bir örnektir 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

Aşağıdakiler için bir örnek 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

Aşağıdaki örnek bir Boto3 SDK API çağrısıdır:

import boto3
import subprocess

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

Aşağıdaki bir örnektir detect-targeted-sentiment API:

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

Aşağıdaki bir örnektir 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"]
)

API sözdizimi hakkında daha fazla ayrıntı için bkz. Amazon Anlamak Geliştirici Kılavuzu.

API yanıt yapısı

Hedeflenen Duyarlılık API'si, işlerinizin çıktısını tüketmek için basit bir yol sağlar. Her varlık için duygu ile birlikte algılanan varlıkların (varlık grupları) mantıksal bir gruplandırmasını sağlar. Yanıtta yer alan alanların bazı tanımları aşağıdadır:

• Varlıklar – Belgenin önemli kısımları. Örneğin, Person, Place, Date, Foodya da Taste.
• Söz – Belgedeki varlığın referansları veya sözleri. Bunlar zamir veya “o”, “o”, “kitap” gibi ortak isimler olabilir. Bunlar, belgede konuma (ofset) göre sıralanmıştır.
• AçıklayıcıMansiyonIndex – içindeki indeks Mentions varlık grubunun en iyi tasvirini verir. Örneğin, "otel", "o" yerine "ABC Hotel" veya diğer yaygın isimlerden bahseder.
• GrupSkoru – Grupta adı geçen tüm varlıkların aynı varlıkla ilgili olduğuna dair güven (“Ben”, “ben” ve “kendim” tek bir kişiye atıfta bulunur).
• Metin – Belgedeki varlığı gösteren metin.
• Tip - Varlığın neyi tasvir ettiğine dair bir açıklama.
• Puan – Bunun ilgili bir varlık olduğuna dair güven modeli.
• MansiyonDuygu – Söz için bulunan gerçek duygu.
• Duygu – Pozitif, nötr, negatif veya karışık dize değeri.
• DuyguSkoru – Her olası duygu için model güveni.
• BaşlaOfset – Sözün başladığı belge metnindeki mahsup.
• BitişOfseti – Sözün bittiği yerde belge metnine mahsup.

Daha ayrıntılı bir döküm için bkz. Amazon Comprehend Targeted Sentiment ile metindeki ayrıntılı duyguları ayıklayın or Çıktı dosyası organizasyonu.

Sonuç

Duyarlılık analizi, işletmeler için zaman içinde müşteri duyarlılığını izlemekten, bir ürünün beğenilip beğenilmediğini çıkarmaya, bir sosyal ağ kullanıcılarının belirli konulara ilişkin görüşlerini anlamaya ve hatta sonuçları tahmin etmeye kadar sayısız nedenden dolayı kuruluşlar için çok önemli olmaya devam etmektedir. kampanyalar. Gerçek zamanlı hedeflenen duyarlılık, işletmeler için etkili olabilir ve Amazon Comprehend'i kullanarak müşteri deneyimlerini yönlendirmek için içgörüleri keşfetmek için genel duyarlılık analizinin ötesine geçmelerine olanak tanır.

Amazon Anlamak için Hedeflenen Duyarlılık hakkında daha fazla bilgi edinmek için bkz. Hedeflenen duygu.

yazarlar hakkında

Raj Pathak Kanada ve Amerika Birleşik Devletleri'ndeki Fortune 50 ve Orta Ölçekli FSI (Bankacılık, Sigorta, Sermaye Piyasaları) müşterilerine Çözüm Mimarı ve Teknik danışmandır. Raj, Belge Çıkarma, İletişim Merkezi Dönüşümü ve Bilgisayarla Görme alanlarındaki uygulamalarla Makine Öğrenimi konusunda uzmanlaşmıştır.

Wrick Talukdar Amazon Anlamak Servis ekibinde Kıdemli Mimardır. Büyük ölçekte makine öğrenimini benimsemelerine yardımcı olmak için AWS müşterileriyle birlikte çalışır. İş dışında kitap okumaktan ve fotoğraf çekmekten hoşlanır.