Tình cảm được nhắm mục tiêu của Amazon Comprehend bổ sung hỗ trợ đồng bộ

Đầu năm nay, Amazon hiểu, một dịch vụ xử lý ngôn ngữ tự nhiên (NLP) sử dụng máy học (ML) để khám phá thông tin chi tiết từ văn bản, ra mắt tính năng Cảm xúc được nhắm mục tiêu. Với Cảm xúc được nhắm mục tiêu, bạn có thể xác định các nhóm đề cập (nhóm đồng tham chiếu) tương ứng với một thực thể hoặc thuộc tính trong thế giới thực, cung cấp cảm xúc liên quan đến từng đề cập đến thực thể và đưa ra phân loại thực thể trong thế giới thực dựa trên danh sách các thực thể được xác định trước.

Hôm nay, chúng tôi rất vui mừng được công bố API đồng bộ mới dành cho ý kiến ​​được nhắm mục tiêu trong Amazon Comprehend, API này cung cấp hiểu biết chi tiết về các ý kiến ​​liên quan đến các thực thể cụ thể trong tài liệu đầu vào.

Trong bài đăng này, chúng tôi cung cấp thông tin tổng quan về cách bạn có thể bắt đầu với API đồng bộ Cảm xúc được nhắm mục tiêu của Amazon Comprehend, tìm hiểu cấu trúc đầu ra và thảo luận về ba trường hợp sử dụng riêng biệt.

Các trường hợp sử dụng tình cảm được nhắm mục tiêu

Phân tích cảm tính được nhắm mục tiêu theo thời gian thực trong Amazon Comprehend có một số ứng dụng giúp cung cấp thông tin chi tiết về thương hiệu và đối thủ cạnh tranh một cách chính xác và có thể mở rộng. Bạn có thể sử dụng cảm xúc mục tiêu cho các quy trình quan trọng trong kinh doanh như nghiên cứu thị trường trực tiếp, tạo ra trải nghiệm thương hiệu và cải thiện sự hài lòng của khách hàng.

Sau đây là ví dụ về việc sử dụng cảm xúc mục tiêu để đánh giá phim.

“Phim” là thực thể chính, được xác định là loại movie, và được nhắc đến hai lần nữa là “phim” và đại từ “nó”. API tình cảm được nhắm mục tiêu cung cấp tình cảm đối với từng thực thể. Màu xanh lá cây tượng trưng cho cảm xúc tích cực, màu đỏ tượng trưng cho tiêu cực và màu xanh lam tượng trưng cho cảm xúc trung tính.

Phân tích truyền thống cung cấp cảm nhận về toàn bộ văn bản, trong trường hợp này là hỗn hợp. Với cảm tính được nhắm mục tiêu, bạn có thể nhận được thông tin chi tiết hơn. Trong kịch bản này, tình cảm đối với bộ phim vừa tích cực vừa tiêu cực: tích cực đối với các diễn viên, nhưng tiêu cực đối với chất lượng tổng thể. Điều này có thể cung cấp phản hồi có mục tiêu cho nhóm làm phim, chẳng hạn như rèn luyện sự siêng năng hơn trong việc viết kịch bản nhưng cũng để xem xét các diễn viên cho các vai diễn trong tương lai.

Các ứng dụng nổi bật của phân tích cảm tính theo thời gian thực sẽ khác nhau giữa các ngành. Nó bao gồm việc trích xuất thông tin chi tiết về tiếp thị và khách hàng từ nguồn cấp dữ liệu trực tiếp trên mạng xã hội, video, sự kiện trực tiếp hoặc chương trình phát sóng, hiểu cảm xúc cho mục đích nghiên cứu hoặc ngăn chặn hành vi bắt nạt trên mạng. Cảm tính được nhắm mục tiêu đồng bộ sẽ thúc đẩy giá trị doanh nghiệp bằng cách cung cấp phản hồi theo thời gian thực trong vòng vài giây để bạn có thể đưa ra quyết định trong thời gian thực.

Chúng ta hãy xem xét kỹ hơn các ứng dụng phân tích cảm xúc được nhắm mục tiêu theo thời gian thực khác nhau này và cách các ngành khác nhau có thể sử dụng chúng:

• Kịch bản 1 – Khai thác ý kiến ​​​​của các tài liệu tài chính để xác định tình cảm đối với một cổ phiếu, cá nhân hoặc tổ chức
• Kịch bản 2 – Phân tích trung tâm cuộc gọi theo thời gian thực để xác định cảm tính chi tiết trong tương tác của khách hàng
• Kịch bản 3 – Giám sát phản hồi của tổ chức hoặc sản phẩm trên các kênh truyền thông xã hội và kỹ thuật số, đồng thời cung cấp hỗ trợ và giải pháp theo thời gian thực

Trong các phần sau, chúng ta sẽ thảo luận chi tiết hơn về từng trường hợp sử dụng.

Kịch bản 1: Khai thác ý kiến ​​tài chính và tạo tín hiệu giao dịch

Phân tích tình cảm là rất quan trọng đối với các nhà tạo lập thị trường và các công ty đầu tư khi xây dựng chiến lược giao dịch. Việc xác định tâm lý chi tiết có thể giúp các nhà giao dịch suy ra phản ứng của thị trường đối với các sự kiện toàn cầu, quyết định kinh doanh, cá nhân và định hướng ngành. Tâm lý này có thể là yếu tố quyết định nên mua hay bán một cổ phiếu hoặc hàng hóa.

Để biết cách chúng tôi có thể sử dụng API Cảm xúc được nhắm mục tiêu trong những tình huống này, hãy xem tuyên bố của Chủ tịch Cục Dự trữ Liên bang Jerome Powell về lạm phát.

Như chúng ta có thể thấy trong ví dụ, việc hiểu được tâm lý đối với lạm phát có thể đưa ra quyết định mua hoặc bán. Trong kịch bản này, có thể suy ra từ Targeted Sentiment API rằng quan điểm của Chủ tịch Powell về lạm phát là tiêu cực và điều này rất có thể sẽ dẫn đến lãi suất cao hơn làm chậm tăng trưởng kinh tế. Đối với hầu hết các nhà giao dịch, điều này có thể dẫn đến quyết định bán. API tình cảm được nhắm mục tiêu có thể cung cấp cho các nhà giao dịch thông tin chi tiết và nhanh hơn so với việc xem xét tài liệu truyền thống và trong một ngành mà tốc độ là rất quan trọng, nó có thể mang lại giá trị kinh doanh đáng kể.

Sau đây là kiến ​​trúc tham khảo để sử dụng tâm lý mục tiêu trong các tình huống tạo tín hiệu giao dịch và khai thác quan điểm tài chính.

Kịch bản 2: Phân tích trung tâm liên lạc theo thời gian thực

Trải nghiệm trung tâm liên lạc tích cực là rất quan trọng trong việc mang lại trải nghiệm mạnh mẽ cho khách hàng. Để giúp đảm bảo trải nghiệm tích cực và hiệu quả, bạn có thể triển khai phân tích cảm xúc để đánh giá phản ứng của khách hàng, tâm trạng thay đổi của khách hàng trong suốt thời gian tương tác cũng như tính hiệu quả của quy trình làm việc của trung tâm liên hệ và đào tạo nhân viên. Với API tình cảm được nhắm mục tiêu, bạn có thể nhận được thông tin chi tiết trong phân tích tình cảm của trung tâm liên hệ của mình. Chúng ta không chỉ có thể xác định cảm xúc của sự tương tác mà giờ đây chúng ta còn có thể biết nguyên nhân gây ra phản ứng tiêu cực hoặc tích cực và thực hiện hành động thích hợp.

Chúng tôi chứng minh điều này bằng bản ghi sau đây về một khách hàng trả lại một chiếc máy nướng bánh mì bị trục trặc. Trong ví dụ này, chúng tôi hiển thị các tuyên bố mẫu mà khách hàng đang đưa ra.

Như chúng ta có thể thấy, cuộc trò chuyện bắt đầu khá tiêu cực. Với API Cảm xúc được nhắm mục tiêu, chúng tôi có thể xác định nguyên nhân gốc rễ của cảm xúc tiêu cực và xem nguyên nhân đó có liên quan đến máy nướng bánh mì bị trục trặc hay không. Chúng tôi có thể sử dụng thông tin này để chạy các quy trình công việc nhất định hoặc định tuyến đến các phòng ban khác nhau.

Qua cuộc trò chuyện, chúng ta cũng có thể thấy khách hàng không chấp nhận lời đề nghị tặng thẻ quà tặng. Chúng tôi có thể sử dụng thông tin này để cải thiện hoạt động đào tạo nhân viên, đánh giá lại liệu chúng tôi có nên đưa ra chủ đề trong những tình huống này hay quyết định xem chỉ nên hỏi câu hỏi này với thái độ trung lập hay tích cực hơn.

Cuối cùng, chúng ta có thể thấy rằng dịch vụ do đại lý cung cấp đã được đón nhận một cách tích cực mặc dù khách hàng vẫn còn khó chịu về chiếc máy nướng bánh mì. Chúng tôi có thể sử dụng thông tin này để xác thực việc đào tạo nhân viên và khen thưởng hiệu suất hoạt động tốt của nhân viên.

Sau đây là kiến ​​trúc tham khảo kết hợp cảm xúc được nhắm mục tiêu vào phân tích trung tâm liên hệ theo thời gian thực.

Kịch bản 3: Giám sát phương tiện truyền thông xã hội để biết cảm tính của khách hàng

Sự tiếp nhận của phương tiện truyền thông xã hội có thể là yếu tố quyết định cho sự phát triển của sản phẩm và tổ chức. Theo dõi cách khách hàng phản ứng với các quyết định của công ty, ra mắt sản phẩm hoặc chiến dịch tiếp thị là rất quan trọng trong việc xác định tính hiệu quả.

Chúng tôi có thể trình bày cách sử dụng API Cảm xúc được nhắm mục tiêu trong trường hợp này bằng cách sử dụng các bài đánh giá trên Twitter về một bộ tai nghe mới.

Trong ví dụ này, có nhiều phản ứng trái chiều về việc ra mắt tai nghe, nhưng chủ đề nhất quán là chất lượng âm thanh kém. Các công ty có thể sử dụng thông tin này để xem cách người dùng phản ứng với các thuộc tính nhất định và xem nên cải tiến sản phẩm ở đâu trong các lần lặp lại trong tương lai.

Sau đây là kiến ​​trúc tham khảo sử dụng API tình cảm được nhắm mục tiêu để phân tích tình cảm trên mạng xã hội.

Bắt đầu với Cảm xúc được nhắm mục tiêu

Để sử dụng cảm tính mục tiêu trên bảng điều khiển Amazon Comprehend, hãy hoàn thành các bước sau:

1. Trên bảng điều khiển Hiểu toàn diện của Amazon, chọn Khởi chạy tính năng toàn diện của Amazon.
   
2. Trong Nhập ký tự, nhập bất kỳ văn bản nào bạn muốn phân tích.
3. Chọn Phân tích.
   

Sau khi tài liệu được phân tích, bạn có thể tìm thấy đầu ra của API Cảm tính được nhắm mục tiêu trên Mục tiêu tình cảm tab trong Insights phần. Tại đây, bạn có thể xem văn bản được phân tích, cảm nhận tương ứng của từng thực thể và nhóm tham chiếu được liên kết với nó.

Trong tạp chí Tích hợp ứng dụng phần này, bạn có thể tìm thấy yêu cầu và phản hồi cho văn bản được phân tích.

Sử dụng Cảm xúc được nhắm mục tiêu theo chương trình

Để bắt đầu với API đồng bộ theo chương trình, bạn có hai tùy chọn:

• phát hiện-nhắm mục tiêu-tình cảm – API này cung cấp cảm xúc được nhắm mục tiêu cho một tài liệu văn bản
• hàng loạt-phát hiện-nhắm mục tiêu-tình cảm – API này cung cấp cảm xúc được nhắm mục tiêu cho danh sách tài liệu

Bạn có thể tương tác với API bằng Giao diện dòng lệnh AWS (AWS CLI) hoặc thông qua AWS SDK. Trước khi chúng ta bắt đầu, hãy đảm bảo rằng bạn đã đặt cấu hình AWS CLI và có các quyền cần thiết để tương tác với Amazon Comprehend.

API đồng bộ Tình cảm được nhắm mục tiêu yêu cầu phải chuyển hai tham số yêu cầu:

• Mật ngữ – Ngôn ngữ của văn bản
• văn bản hoặc TextList – Văn bản UTF-8 được xử lý

Đoạn mã sau đây là một ví dụ cho detect-targeted-sentiment API:

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

Sau đây là một ví dụ cho batch-detect-targeted-sentiment API:

{

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

}

Bây giờ chúng ta hãy xem một số lệnh AWS CLI mẫu.

Đoạn mã sau đây là một ví dụ cho 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

Sau đây là một ví dụ cho 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

Sau đây là lệnh gọi API Boto3 SDK mẫu:

import boto3
import subprocess

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

Sau đây là một ví dụ về detect-targeted-sentiment API:

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

Sau đây là một ví dụ về 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"]
)

Để biết thêm chi tiết về cú pháp API, hãy tham khảo Hướng dẫn toàn diện dành cho nhà phát triển Amazon.

Cấu trúc phản hồi API

API Ý tưởng Nhắm mục tiêu cung cấp một cách đơn giản để sử dụng kết quả đầu ra của các công việc của bạn. Nó cung cấp một nhóm hợp lý của các thực thể (nhóm thực thể) được phát hiện, cùng với tình cảm cho mỗi thực thể. Sau đây là một số định nghĩa về các trường trong phản hồi:

• Các thực thể - Các phần quan trọng của tài liệu. Ví dụ, Person, Place, Date, Food, hoặc là Taste.
• Đề cập đến - Các tham chiếu hoặc đề cập đến thực thể trong tài liệu. Đây có thể là đại từ hoặc danh từ chung như “nó”, “anh ấy”, “cuốn sách”, v.v. Chúng được sắp xếp theo thứ tự theo vị trí (bù đắp) trong tài liệu.
• Miêu tảMentionIndex - Chỉ số trong Mentions mang lại mô tả tốt nhất về nhóm thực thể. Ví dụ: “Khách sạn ABC” thay vì “khách sạn”, “nó” hoặc các danh từ thông dụng khác được đề cập.
• Điểm nhóm - Sự tự tin rằng tất cả các thực thể được đề cập trong nhóm có liên quan đến cùng một thực thể (chẳng hạn như “tôi”, “tôi” và “bản thân tôi” đề cập đến một người).
• bản văn – Văn bản trong tài liệu mô tả thực thể.
• Kiểu - Mô tả về những gì thực thể mô tả.
• Điểm số - Mô hình tự tin rằng đây là một thực thể có liên quan.
• Đề cập - Cảm xúc thực tế được tìm thấy cho đề cập.
• Tâm lý thị trường – Giá trị chuỗi là dương, trung tính, âm hoặc hỗn hợp.
• Tình cảmScore - Sự tự tin của người mẫu cho từng tình cảm có thể có.
• Bắt đầuBù đắp - Phần bù vào văn bản tài liệu nơi bắt đầu đề cập.
• Kết thúc Bù đắp - Phần bù vào văn bản tài liệu nơi đề cập kết thúc.

Để biết phân tích chi tiết hơn, hãy tham khảo Trích xuất tình cảm chi tiết trong văn bản với Amazon Toàn diện Cảm xúc được Nhắm mục tiêu or Tổ chức tập tin đầu ra.

Kết luận

Phân tích cảm tính vẫn rất quan trọng đối với các tổ chức vì vô số lý do—từ việc theo dõi cảm tính của khách hàng theo thời gian đối với doanh nghiệp, đến suy luận xem một sản phẩm được thích hay không thích, đến hiểu ý kiến ​​của người dùng mạng xã hội về các chủ đề nhất định hoặc thậm chí dự đoán kết quả của các chiến dịch. Cảm tính được nhắm mục tiêu theo thời gian thực có thể có hiệu quả đối với các doanh nghiệp, cho phép họ tiến xa hơn việc phân tích cảm tính tổng thể để khám phá những hiểu biết sâu sắc nhằm thúc đẩy trải nghiệm của khách hàng bằng cách sử dụng Amazon Comprehend.

Để tìm hiểu thêm về Cảm xúc được nhắm mục tiêu cho Amazon Comprehend, hãy tham khảo Mục tiêu tình cảm.

Giới thiệu về tác giả

Raj Pathak là một Kiến trúc sư Giải pháp và Cố vấn Kỹ thuật cho các khách hàng thuộc nhóm 50 và trung bình của FSI (Ngân hàng, Bảo hiểm, Thị trường Vốn) trên khắp Canada và Hoa Kỳ. Raj chuyên về Học máy với các ứng dụng trong Trích xuất tài liệu, Chuyển đổi Trung tâm Liên hệ và Thị giác Máy tính.

Wrick Talukdar là Kiến trúc sư cấp cao của nhóm Dịch vụ toàn diện của Amazon. Anh làm việc với khách hàng của AWS để giúp họ áp dụng machine learning trên quy mô lớn. Ngoài công việc, anh thích đọc sách và chụp ảnh.