ایمیزون کمپریہنڈ ٹارگیٹڈ سینٹمنٹ ہم وقت ساز تعاون کا اضافہ کرتا ہے۔

اس سال کے شروع میں، ایمیزون کی تعریف، ایک قدرتی زبان کی پروسیسنگ (NLP) سروس جو متن سے بصیرت دریافت کرنے کے لیے مشین لرننگ (ML) کا استعمال کرتی ہے، ہدف شدہ جذبات کی خصوصیت کا آغاز کیا۔. ٹارگٹڈ سینٹیمنٹ کے ساتھ، آپ تذکروں کے گروپس کی شناخت کر سکتے ہیں جو ایک حقیقی دنیا کی ہستی یا وصف سے مطابقت رکھتے ہیں، ہر ہستی کے تذکرے سے وابستہ جذبات فراہم کر سکتے ہیں، اور حقیقی دنیا کی ہستی کی درجہ بندی پیش کر سکتے ہیں۔ اداروں کی پہلے سے طے شدہ فہرست.

آج، ہم Amazon Comprehend میں ہدف شدہ جذبات کے لیے نئے ہم وقت ساز API کا اعلان کرنے کے لیے پرجوش ہیں، جو ان پٹ دستاویزات میں مخصوص اداروں سے وابستہ جذبات کی ایک باریک سمجھ فراہم کرتا ہے۔

اس پوسٹ میں، ہم اس بات کا ایک جائزہ فراہم کرتے ہیں کہ آپ Amazon Comprehend Targeted Sentiment synchronous API کے ساتھ کیسے شروعات کر سکتے ہیں، آؤٹ پٹ ڈھانچے کے ذریعے چل سکتے ہیں، اور استعمال کے تین الگ الگ معاملات پر تبادلہ خیال کر سکتے ہیں۔

ٹارگٹڈ جذبات کے استعمال کے معاملات

Amazon Comprehend میں ریئل ٹائم ٹارگٹڈ جذباتی تجزیہ میں درست اور قابل توسیع برانڈ اور مسابقتی بصیرت کو فعال کرنے کے لیے متعدد ایپلیکیشنز ہیں۔ آپ ٹارگٹڈ جذبات کو کاروباری اہم عمل کے لیے استعمال کر سکتے ہیں جیسے لائیو مارکیٹ ریسرچ، برانڈ کا تجربہ پیدا کرنا، اور کسٹمر کی اطمینان کو بہتر بنانا۔

فلم کے جائزے کے لیے ٹارگٹڈ جذبات کو استعمال کرنے کی ایک مثال درج ذیل ہے۔

"مووی" بنیادی ہستی ہے، جس کی شناخت قسم کے طور پر کی جاتی ہے۔ movie، اور اس کا تذکرہ مزید دو بار بطور "فلم" اور ضمیر "یہ" کے طور پر کیا گیا ہے۔ ٹارگٹڈ سینٹیمنٹ API ہر ایک ہستی کے لیے جذبات فراہم کرتا ہے۔ سبز سے مراد مثبت جذبات، منفی کے لیے سرخ اور غیر جانبدار کے لیے نیلا ہے۔

روایتی تجزیہ مجموعی متن کے جذبات فراہم کرتا ہے، جو اس معاملے میں مخلوط ہے۔ ہدف شدہ جذبات کے ساتھ، آپ مزید دانے دار بصیرت حاصل کر سکتے ہیں۔ اس منظر نامے میں، فلم کی طرف جذبات مثبت اور منفی دونوں ہیں: اداکاروں کے حوالے سے مثبت، لیکن مجموعی معیار کے حوالے سے منفی۔ یہ فلم ٹیم کے لیے ہدفی رائے فراہم کر سکتا ہے، جیسے کہ اسکرپٹ لکھنے میں زیادہ مستعدی کا مظاہرہ کرنا، لیکن مستقبل کے کرداروں کے لیے اداکاروں پر غور کرنا۔

ریئل ٹائم جذباتی تجزیہ کی نمایاں ایپلی کیشنز تمام صنعتوں میں مختلف ہوں گی۔ اس میں لائیو سوشل میڈیا فیڈز، ویڈیوز، لائیو ایونٹس، یا براڈکاسٹس سے مارکیٹنگ اور کسٹمر کی بصیرت نکالنا، تحقیقی مقاصد کے لیے جذبات کو سمجھنا، یا سائبر دھونس کو روکنا شامل ہے۔ سنکرونس ٹارگٹڈ سینٹمنٹ سیکنڈوں میں ریئل ٹائم فیڈ بیک فراہم کرکے کاروباری قدر کو بڑھاتا ہے تاکہ آپ حقیقی وقت میں فیصلے کر سکیں۔

آئیے ان مختلف ریئل ٹائم ٹارگٹڈ جذباتی تجزیہ ایپلی کیشنز پر گہری نظر ڈالتے ہیں اور مختلف صنعتیں انہیں کیسے استعمال کر سکتی ہیں:

• منظر 1 - اسٹاک، شخص، یا تنظیم کے تئیں جذبات کا تعین کرنے کے لیے مالی دستاویزات کی رائے کی کان کنی
• منظر 2 - کسٹمر کے تعاملات میں دانے دار جذبات کا تعین کرنے کے لیے ریئل ٹائم کال سینٹر کے تجزیات
• منظر 3 - سوشل میڈیا اور ڈیجیٹل چینلز میں تنظیم یا پروڈکٹ کے تاثرات کی نگرانی، اور ریئل ٹائم سپورٹ اور ریزولوشنز فراہم کرنا

مندرجہ ذیل حصوں میں، ہم ہر استعمال کے معاملے پر مزید تفصیل سے بات کرتے ہیں۔

منظر نامہ 1: مالیاتی رائے کی کان کنی اور تجارتی سگنل تیار کرنا

تجارتی حکمت عملی بناتے وقت جذبات کا تجزیہ مارکیٹ بنانے والوں اور سرمایہ کاری کرنے والی فرموں کے لیے بہت ضروری ہے۔ دانے دار جذبات کا تعین کرنے سے تاجروں کو یہ اندازہ لگانے میں مدد مل سکتی ہے کہ عالمی واقعات، کاروباری فیصلوں، افراد اور صنعت کی سمت میں مارکیٹ کا کیا ردعمل ہو سکتا ہے۔ یہ جذبہ اس بات کا تعین کرنے والا عنصر ہو سکتا ہے کہ آیا اسٹاک یا کموڈٹی خریدنا یا بیچنا ہے۔

یہ دیکھنے کے لیے کہ ہم ان منظرناموں میں ٹارگٹڈ سینٹیمنٹ API کو کس طرح استعمال کر سکتے ہیں، آئیے افراط زر پر فیڈرل ریزرو کے چیئر جیروم پاول کے ایک بیان کو دیکھتے ہیں۔

جیسا کہ ہم مثال میں دیکھ سکتے ہیں، افراط زر کی طرف جذبات کو سمجھنا خرید و فروخت کے فیصلے سے آگاہ کر سکتا ہے۔ اس منظر نامے میں، ٹارگٹڈ سینٹیمنٹ API سے یہ اندازہ لگایا جا سکتا ہے کہ افراط زر کے بارے میں چیئر پاول کی رائے منفی ہے، اور اس کے نتیجے میں زیادہ تر شرح سود اقتصادی ترقی کو سست کرنے کا امکان ہے۔ زیادہ تر تاجروں کے لیے، اس کے نتیجے میں فروخت کا فیصلہ ہو سکتا ہے۔ ٹارگیٹڈ سینٹیمنٹ API تاجروں کو روایتی دستاویز کے جائزے کے مقابلے میں تیز اور زیادہ دانے دار بصیرت فراہم کر سکتا ہے، اور ایسی صنعت میں جہاں رفتار بہت اہم ہے، اس کے نتیجے میں کافی کاروباری قدر ہو سکتی ہے۔

مالیاتی رائے کی کان کنی اور تجارتی سگنل جنریشن کے منظرناموں میں ٹارگٹڈ جذبات کو استعمال کرنے کے لیے درج ذیل ایک حوالہ آرکیٹیکچر ہے۔

منظر نامہ 2: ریئل ٹائم رابطہ مرکز تجزیہ

ایک مثبت رابطہ مرکز کا تجربہ ایک مضبوط کسٹمر کا تجربہ فراہم کرنے میں اہم ہے۔ مثبت اور نتیجہ خیز تجربات کو یقینی بنانے میں مدد کے لیے، آپ گاہک کے ردعمل، تعامل کے دورانیے کے ذریعے بدلتے ہوئے گاہک کے موڈ، اور رابطہ مرکز کے کام کے بہاؤ اور ملازمین کی تربیت کی تاثیر کا اندازہ لگانے کے لیے جذباتی تجزیہ کو نافذ کر سکتے ہیں۔ ٹارگیٹڈ سینٹیمنٹ API کے ساتھ، آپ اپنے رابطہ مرکز کے جذباتی تجزیہ کے اندر دانے دار معلومات حاصل کر سکتے ہیں۔ نہ صرف ہم تعامل کے جذبات کا تعین کر سکتے ہیں، بلکہ اب ہم دیکھ سکتے ہیں کہ منفی یا مثبت ردعمل کی وجہ کیا ہے اور مناسب کارروائی کر سکتے ہیں۔

ہم اس کا مظاہرہ ایک گاہک کی مندرجہ ذیل نقلوں سے کرتے ہیں جو خراب کام کرنے والا ٹوسٹر واپس کر رہا ہے۔ اس مثال کے لیے، ہم نمونے کے بیانات دکھاتے ہیں جو گاہک بنا رہا ہے۔

جیسا کہ ہم دیکھ سکتے ہیں، بات چیت کافی منفی شروع ہوتی ہے۔ ٹارگٹڈ سینٹیمنٹ API کے ساتھ، ہم منفی جذبات کی اصل وجہ کا تعین کرنے کے قابل ہیں اور یہ دیکھ سکتے ہیں کہ یہ خرابی والے ٹوسٹر سے متعلق ہے۔ ہم اس معلومات کو مخصوص ورک فلو چلانے، یا مختلف محکموں تک جانے کے لیے استعمال کر سکتے ہیں۔

گفتگو کے ذریعے، ہم یہ بھی دیکھ سکتے ہیں کہ گاہک گفٹ کارڈ کی پیشکش کو قبول نہیں کر رہا تھا۔ ہم اس معلومات کو ایجنٹ کی تربیت کو بہتر بنانے کے لیے استعمال کر سکتے ہیں، دوبارہ جائزہ لے سکتے ہیں کہ کیا ہمیں ان منظرناموں میں بھی موضوع کو سامنے لانا چاہیے، یا فیصلہ کرنا چاہیے کہ آیا یہ سوال صرف زیادہ غیر جانبدار یا مثبت جذبات کے ساتھ پوچھا جانا چاہیے۔

آخر میں، ہم دیکھ سکتے ہیں کہ ایجنٹ کی طرف سے فراہم کردہ سروس کو مثبت طور پر موصول ہوا تھا حالانکہ گاہک ابھی بھی ٹوسٹر کے بارے میں پریشان تھا۔ ہم اس معلومات کو ایجنٹ کی تربیت کی توثیق کرنے اور ایجنٹ کی مضبوط کارکردگی کو انعام دینے کے لیے استعمال کر سکتے ہیں۔

مندرجہ ذیل ایک حوالہ آرکیٹیکچر ہے جس میں ٹارگٹڈ جذبات کو حقیقی وقت کے رابطہ مرکز کے تجزیات میں شامل کیا گیا ہے۔

منظر نامہ 3: گاہک کے جذبات کے لیے سوشل میڈیا کی نگرانی

سوشل میڈیا کا استقبال مصنوعات اور تنظیمی ترقی کے لیے فیصلہ کن عنصر ہو سکتا ہے۔ کمپنی کے فیصلوں، پروڈکٹ کے اجراء، یا مارکیٹنگ کی مہمات پر گاہک کیسا ردعمل ظاہر کر رہے ہیں اس کا پتہ لگانا تاثیر کا تعین کرنے میں اہم ہے۔

ہم ہیڈ فونز کے نئے سیٹ کے ٹویٹر کے جائزوں کا استعمال کر کے اس منظر نامے میں ٹارگٹڈ سینٹیمنٹ API کو استعمال کرنے کا طریقہ دکھا سکتے ہیں۔

اس مثال میں، ہیڈ فون کے لانچ ہونے پر ملے جلے ردعمل ہیں، لیکن آواز کے معیار کے خراب ہونے کا ایک مستقل موضوع ہے۔ کمپنیاں اس معلومات کو یہ دیکھنے کے لیے استعمال کر سکتی ہیں کہ صارفین کچھ خاص صفات پر کس طرح کا رد عمل ظاہر کر رہے ہیں اور یہ دیکھ سکتے ہیں کہ مستقبل کے اعادہ میں پروڈکٹ کو کہاں بہتر بنایا جانا چاہیے۔

سوشل میڈیا کے جذبات کے تجزیے کے لیے ٹارگیٹڈ سینٹیمنٹ API کا استعمال کرتے ہوئے مندرجہ ذیل ایک حوالہ آرکیٹیکچر ہے۔

ہدف شدہ جذبات کے ساتھ شروع کریں۔

Amazon Comprehend کنسول پر ہدفی جذبات کو استعمال کرنے کے لیے، درج ذیل مراحل کو مکمل کریں:

1. Amazon Comprehend کنسول پر، منتخب کریں۔ Amazon Comprehend لانچ کریں۔.
   
2. کے لئے ان پٹ ٹیکسٹکوئی بھی متن درج کریں جس کا آپ تجزیہ کرنا چاہتے ہیں۔
3. میں سے انتخاب کریں تجزیہ.
   

دستاویز کا تجزیہ کرنے کے بعد، ٹارگیٹڈ سینٹیمنٹ API کا آؤٹ پٹ پر پایا جا سکتا ہے۔ ہدف شدہ جذبات میں ٹیب انسائٹس سیکشن یہاں آپ تجزیہ شدہ متن، ہر ادارے کے متعلقہ جذبات، اور اس کے ساتھ منسلک حوالہ گروپ دیکھ سکتے ہیں۔

میں ایپلیکیشن انضمام سیکشن، آپ تجزیہ شدہ متن کے لیے درخواست اور جواب تلاش کر سکتے ہیں۔

پروگرام کے لحاظ سے ٹارگیٹڈ جذبات کا استعمال کریں۔

مطابقت پذیر API پروگرام کے ساتھ شروع کرنے کے لیے، آپ کے پاس دو اختیارات ہیں:

• ٹارگٹڈ جذبات کا پتہ لگانا - یہ API ایک متنی دستاویز کے لیے ہدف شدہ جذبات فراہم کرتا ہے۔
• بیچ کا پتہ لگانا ہدف شدہ جذبہ - یہ API دستاویزات کی فہرست کے لیے ہدف شدہ جذبات فراہم کرتا ہے۔

آپ API کے ساتھ کے ساتھ تعامل کر سکتے ہیں۔ AWS کمانڈ لائن انٹرفیس (AWS CLI) یا AWS SDK کے ذریعے۔ اس سے پہلے کہ ہم شروع کریں، یقینی بنائیں کہ آپ نے AWS CLI کو کنفیگر کر لیا ہے، اور Amazon Comprehend کے ساتھ تعامل کرنے کے لیے آپ کے پاس مطلوبہ اجازتیں ہیں۔

ٹارگٹڈ سینٹیمنٹ سنکرونس API کو پاس کرنے کے لیے درخواست کے دو پیرامیٹرز کی ضرورت ہوتی ہے:

• زبان کا کوڈ - متن کی زبان
• متن یا ٹیکسٹ لسٹ - UTF-8 متن جس پر کارروائی کی جاتی ہے۔

مندرجہ ذیل کوڈ کے لیے ایک مثال ہے۔ detect-targeted-sentiment APIs:

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

مندرجہ ذیل کے لئے ایک مثال ہے batch-detect-targeted-sentiment APIs:

{

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

}

اب کچھ نمونے AWS CLI کمانڈز کو دیکھتے ہیں۔

مندرجہ ذیل کوڈ کے لیے ایک مثال ہے۔ detect-targeted-sentiment APIs:

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

مندرجہ ذیل کے لئے ایک مثال ہے batch-detect-targeted-sentiment APIs:

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

Boto3 SDK API کال کا نمونہ درج ذیل ہے:

import boto3
import subprocess

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

مندرجہ ذیل کی ایک مثال ہے۔ detect-targeted-sentiment APIs:

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

مندرجہ ذیل کی ایک مثال ہے۔ batch-detect-targeted-sentiment APIs:

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 نحو کے بارے میں مزید تفصیلات کے لیے، دیکھیں ایمیزون کمپری ہینڈ ڈویلپر گائیڈ.

API جوابی ڈھانچہ

ٹارگٹڈ سینٹیمنٹ API آپ کی ملازمتوں کے آؤٹ پٹ کو استعمال کرنے کا ایک آسان طریقہ فراہم کرتا ہے۔ یہ ہر ایک ہستی کے جذبات کے ساتھ ساتھ معلوم شدہ ہستیوں (اینٹی گروپس) کی منطقی گروپ بندی فراہم کرتا ہے۔ جواب میں فیلڈز کی کچھ تعریفیں درج ذیل ہیں:

• اداروں - دستاویز کے اہم حصے۔ مثال کے طور پر، Person, Place, Date, Food، یا Taste.
• ذکر - دستاویز میں موجود ہستی کا حوالہ یا تذکرہ۔ یہ ضمیر یا عام اسم ہو سکتے ہیں جیسے "یہ،" "اسے،" "کتاب" وغیرہ۔ یہ دستاویز میں مقام (آفسیٹ) کے لحاظ سے ترتیب دیے گئے ہیں۔
• وضاحتی ذکر انڈیکس - انڈیکس میں Mentions جو ہستی گروپ کی بہترین عکاسی کرتا ہے۔ مثال کے طور پر، "ہوٹل،" "یہ،" یا دیگر عام اسم ذکر کے بجائے "ABC ہوٹل"۔
• گروپ سکور - یہ اعتماد کہ گروپ میں مذکور تمام ہستیوں کا تعلق ایک ہی ہستی سے ہے (جیسے "میں،" "میں،" اور "خود" ایک شخص کا حوالہ دیتے ہوئے)۔
• متن - دستاویز میں متن جو ہستی کو ظاہر کرتا ہے۔
• قسم - ہستی کی تصویر کشی کی تفصیل۔
• اسکور - ماڈل کا اعتماد کہ یہ ایک متعلقہ ادارہ ہے۔
• تذکرہ جذبات - تذکرہ کے لیے اصل جذبات پایا جاتا ہے۔
• جذبات - مثبت، غیر جانبدار، منفی، یا مخلوط کی سٹرنگ ویلیو۔
• جذباتی سکور - ہر ممکنہ جذبات کے لیے ماڈل کا اعتماد۔
• BeginOffset - دستاویز کے متن میں آفسیٹ جہاں ذکر شروع ہوتا ہے۔
• اینڈ آف سیٹ - دستاویز کے متن میں آفسیٹ جہاں ذکر ختم ہوتا ہے۔

مزید تفصیلی بریک ڈاؤن کے لیے رجوع کریں۔ Amazon Comprehend Targeted Sentiment کے ساتھ متن میں دانے دار جذبات نکالیں۔ or آؤٹ پٹ فائل کی تنظیم.

نتیجہ

تنظیموں کے لیے جذبات کا تجزیہ بے شمار وجوہات کی بناء پر اہم رہتا ہے - کاروبار کے لیے وقت کے ساتھ ساتھ صارفین کے جذبات کو ٹریک کرنے سے لے کر، اس بات کا اندازہ لگانا کہ آیا کوئی پروڈکٹ پسند ہے یا ناپسند، کچھ موضوعات کے بارے میں سوشل نیٹ ورک کے صارفین کی رائے کو سمجھنے، یا یہاں تک کہ اس کے نتائج کی پیشن گوئی کرنے تک۔ مہمات ریئل ٹائم ٹارگٹڈ جذبات کاروبار کے لیے موثر ہو سکتے ہیں، جس سے وہ ایمیزون کمپریہنڈ کا استعمال کرتے ہوئے صارفین کے تجربات کو آگے بڑھانے کے لیے بصیرت کو دریافت کرنے کے لیے مجموعی جذباتی تجزیہ سے آگے بڑھ سکتے ہیں۔

Amazon Comprehend کے لیے ٹارگٹڈ سینٹمنٹ کے بارے میں مزید جاننے کے لیے، رجوع کریں۔ ہدف شدہ جذبات.

مصنفین کے بارے میں

راج پاٹھک کینیڈا اور ریاستہائے متحدہ میں فارچیون 50 اور درمیانے درجے کے FSI (بینکنگ، انشورنس، کیپٹل مارکیٹس) کے صارفین کے حل کے معمار اور تکنیکی مشیر ہیں۔ راج دستاویز نکالنے، رابطہ مرکز کی تبدیلی اور کمپیوٹر ویژن میں ایپلی کیشنز کے ساتھ مشین لرننگ میں مہارت رکھتا ہے۔

ریک تالقدار ایمیزون کمپریہنڈ سروس ٹیم کے ساتھ ایک سینئر آرکیٹیکٹ ہے۔ وہ بڑے پیمانے پر مشین لرننگ کو اپنانے میں مدد کرنے کے لیے AWS کے صارفین کے ساتھ کام کرتا ہے۔ کام سے باہر، وہ پڑھنے اور فوٹو گرافی سے لطف اندوز ہوتا ہے۔