Amazon Comprehend Targeted Sentiment 添加了同步支持

今年早些时候， 亚马逊领悟，一种使用机器学习 (ML) 从文本中发现见解的自然语言处理 (NLP) 服务， 推出针对性情绪功能. 使用 Targeted Sentiment，您可以识别与单个真实世界实体或属性相对应的提及组（共同参考组），提供与每个实体提及相关联的情绪，并提供基于真实世界实体的分类 预先确定的实体清单.

今天，我们很高兴地宣布在 Amazon Comprehend 中用于目标情绪的新同步 API，它提供了对与输入文档中特定实体相关联的情绪的精细理解。

在这篇文章中，我们将概述您如何开始使用 Amazon Comprehend Targeted Sentiment 同步 API，了解输出结构，并讨论三个不同的用例。

有针对性的情绪用例

Amazon Comprehend 中的实时目标情绪分析具有多个应用程序，可实现准确且可扩展的品牌和竞争对手洞察。 您可以将有针对性的情绪用于关键业务流程，例如实时市场研究、打造品牌体验和提高客户满意度。

以下是使用目标情绪进行电影评论的示例。

“电影”是主要实体，标识为类型 movie, 并且作为“电影”和代词“它”又被提及两次。 Targeted Sentiment API 提供对每个实体的情绪。 绿色代表积极情绪，红色代表消极，蓝色代表中性。

传统分析提供了整个文本的情绪，在这种情况下是混合的。 通过有针对性的情绪，您可以获得更精细的见解。 在这种情况下，对电影的情绪既有正面的也有负面的：对演员来说是正面的，但对整体质量来说是负面的。 这可以为电影团队提供有针对性的反馈，例如在剧本编写上更加勤奋，但为未来的角色考虑演员。

实时情绪分析的主要应用因行业而异。 它包括从实时社交媒体提要、视频、现场活动或广播中提取营销和客户洞察，了解情绪以进行研究，或阻止网络欺凌。 同步有针对性的情绪通过在几秒钟内提供实时反馈来推动业务价值，以便您可以实时做出决策。

让我们仔细看看这些各种实时有针对性的情绪分析应用程序以及不同行业如何使用它们：

• 情景1 – 财务文件的意见挖掘，以确定对股票、个人或组织的情绪
• 情景2 – 实时呼叫中心分析，以确定客户交互中的精细情绪
• 情景3 – 跨社交媒体和数字渠道监控组织或产品反馈，并提供实时支持和解决方案

在以下部分中，我们将更详细地讨论每个用例。

场景一：金融观点挖掘与交易信号生成

在制定交易策略时，情绪分析对于做市商和投资公司至关重要。 确定细粒度的情绪可以帮助交易者推断市场对全球事件、商业决策、个人和行业方向的反应。 这种情绪可能是决定是否买卖股票或商品的决定因素。

要了解我们如何在这些情况下使用 Targeted Sentiment API，让我们看一下美联储主席杰罗姆鲍威尔关于通货膨胀的声明。

正如我们在示例中所见，了解对通胀的情绪可以为买入或卖出决策提供信息。 在这种情况下，可以从 Targeted Sentiment API 中推断出鲍威尔主席对通胀的看法是负面的，这很可能会导致更高的利率减缓经济增长。 对于大多数交易者来说，这可能会导致卖出决定。 Targeted Sentiment API 可以为交易者提供比传统文档审查更快、更细致的洞察力，在速度至关重要的行业中，它可以带来巨大的商业价值。

以下是在金融观点挖掘和交易信号生成场景中使用目标情绪的参考架构。

场景 2：实时联络中心分析

积极的联络中心体验对于提供强大的客户体验至关重要。 为了帮助确保积极和富有成效的体验，您可以实施情绪分析来衡量客户反应、在交互期间不断变化的客户情绪，以及联络中心工作流程和员工培训的有效性。 使用 Targeted Sentiment API，您可以在联络中心情绪分析中获取详细信息。 我们不仅可以确定交互的情绪，而且现在我们可以看到导致负面或正面反应的原因并采取适当的行动。

我们通过以下客户退回故障烤面包机的记录来证明这一点。 对于这个例子，我们展示了客户所做的示例语句。

正如我们所看到的，谈话开始时相当消极。 使用 Targeted Sentiment API，我们能够确定负面情绪的根本原因，并看到它与故障烤面包机有关。 我们可以使用这些信息来运行某些工作流程，或路由到不同的部门。

通过对话，我们还可以看到客户不接受礼品卡的提议。 我们可以使用这些信息来改进代理训练，重新评估我们是否应该在这些场景中提出这个话题，或者决定是否应该只以更中性或积极的情绪提出这个问题。

最后，我们可以看到，尽管客户仍然对烤面包机感到不满，但代理商提供的服务得到了积极的接受。 我们可以使用这些信息来验证代理训练并奖励强大的代理表现。

以下是将目标情绪纳入实时联络中心分析的参考架构。

场景 3：监控社交媒体以了解客户情绪

社交媒体的接受度可以成为产品和组织发展的决定性因素。 跟踪客户对公司决策、产品发布或营销活动的反应对于确定有效性至关重要。

我们可以通过使用 Twitter 对一组新耳机的评论来演示如何在此场景中使用 Targeted Sentiment API。

在这个例子中，人们对耳机的推出反应不一，但音质差的主题是一致的。 公司可以使用这些信息来了解用户对某些属性的反应，并了解在未来的迭代中应该在哪些方面进行产品改进。

以下是使用 Targeted Sentiment API 进行社交媒体情绪分析的参考架构。

开始使用有针对性的情绪

要在 Amazon Comprehend 控制台上使用目标情绪，请完成以下步骤：

1. 在Amazon Comprehend控制台上，选择 启动Amazon Comprehend.
   
2. 针对 输入文本, 输入您要分析的任何文本。
3. 分析.
   

分析文档后，可以在以下位置找到 Targeted Sentiment API 的输出 有针对性的情绪 选项​​卡中 行业洞见 部分。 在这里，您可以看到分析的文本、每个实体各自的情绪以及与之关联的参考组。

在 应用整合 部分，您可以找到分析文本的请求和响应。

以编程方式使用目标情绪

要以编程方式开始使用同步 API，您有两种选择：

• 检测目标情绪 – 此 API 为单个文本文档提供有针对性的情绪
• 批量检测目标情绪 – 此 API 为文档列表提供目标情绪

您可以使用 API 与 AWS命令行界面 (AWS CLI) 或通过 AWS 开发工具包。 在我们开始之前，请确保您已配置 AWS CLI，并拥有与 Amazon Comprehend 交互所需的权限。

Targeted Sentiment 同步 API 需要传递两个请求参数：

• 语言代码 – 文本的语言
• 文字或 TextList – 处理的 UTF-8 文本

下面的代码是一个例子 detect-targeted-sentiment API：

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

下面是一个例子 batch-detect-targeted-sentiment API：

{

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

}

现在让我们看一些示例 AWS CLI 命令。

下面的代码是一个例子 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

下面是一个例子 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

以下是 Boto3 SDK API 调用示例：

import boto3
import subprocess

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

下面是一个例子 detect-targeted-sentiment API：

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

下面是一个例子 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"]
)

有关 API 语法的更多详细信息，请参阅 Amazon Comprehend 开发人员指南.

API 响应结构

Targeted Sentiment API 提供了一种使用作业输出的简单方法。 它提供检测到的实体（实体组）的逻辑分组，以及每个实体的情绪。 以下是响应中字段的一些定义：

• 实体 – 文件的重要部分。 例如， Person, Place, Date, Food或 Taste.
• 提及 – 文档中实体的引用或提及。 这些可以是代词或常用名词，例如“it”、“him”、“book”等。 这些按文档中的位置（偏移）顺序组织。
• 描述性提及索引 – 中的索引 Mentions 这给出了实体组的最佳描述。 例如，“ABC Hotel”而不是“hotel”、“it”或其他常用名词提及。
• 组分数 – 组中提到的所有实体都与同一实体相关的信心（例如，“我”、“我”和“我自己”指的是一个人）。
• 文本 – 文档中描述实体的文本。
• Type – 对实体所描绘内容的描述。
• 评分 – 这是相关实体的模型置信度。
• 提及情绪 – 为提及找到的实际情绪。
• 情绪 – 正、中性、负或混合的字符串值。
• 情绪评分 – 每种可能情绪的模型置信度。
• 开始偏移 – 提及开始的文档文本的偏移量。
• 结束偏移 – 提及结束的文档文本的偏移量。

有关更详细的细分，请参阅 使用 Amazon Comprehend Targeted Sentiment 提取文本中的精细情绪 or 输出文件组织.

结论

出于多种原因，情绪分析对于组织来说仍然至关重要——从跟踪企业随时间推移的客户情绪，到推断产品是喜欢还是不喜欢，再到了解社交网络用户对某些主题的意见，甚至预测结果活动。 实时有针对性的情绪对企业来说很有效，使他们能够超越整体情绪分析，探索洞察力，以推动使用 Amazon Comprehend 的客户体验。

要了解有关 Amazon Comprehend 的目标情绪的更多信息，请参阅 有针对性的情绪.

关于作者

拉吉帕塔克 是加拿大和美国财富 50 强和中型 FSI（银行、保险、资本市场）客户的解决方案架构师和技术顾问。 Raj 专注于机器学习，并在文档提取、联络中心转换和计算机视觉方面有应用。

瑞克·塔鲁克达尔 是 Amazon Comprehend Service 团队的高级架构师。 他与 AWS 客户合作，帮助他们大规模采用机器学习。 工作之余，他喜欢阅读和摄影。