Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
Gezielte Stimmung
Gezielte Stimmung bietet ein detailliertes Verständnis der Stimmungen, die bestimmten Entitäten (wie Marken oder Produkten) in Ihren Eingabedokumenten zugeordnet sind.
Der Unterschied zwischen gezielter Stimmung und Stimmung ist der Grad der Granularität in den Ausgabedaten. Die Stimmungsanalyse bestimmt die vorherrschende Stimmung für jedes Eingabedokument, stellt jedoch keine Daten für die weitere Analyse bereit. Die gezielte Stimmungsanalyse bestimmt die Stimmung auf Entitätsebene für bestimmte Entitäten in jedem Eingabedokument. Sie können die Ausgabedaten analysieren, um die spezifischen Produkte und Services zu ermitteln, die positives oder negatives Feedback erhalten.
Beispielsweise bietet ein Kunde in einer Reihe von Unterhaltungen die folgende Bewertung: „Die Takos waren ansteigend und die Mitarbeiter waren freundlich“. Die Analyse dieser Überprüfung führt zu den folgenden Ergebnissen:
Die Stimmungsanalyse bestimmt, ob die Gesamtstimmung der einzelnen Lebensmittel positiv, negativ, neutral oder gemischt ist. In diesem Beispiel ist die Gesamtstimmung positiv.
Die gezielte Stimmungsanalyse bestimmt die Stimmung für Entitäten und Attribute des Studios, die Kunden in den Bewertungen erwähnt haben. In diesem Beispiel machte der Kunde positive Kommentare zu „Takos“ und „Mitarbeiter“.
Die gezielte Stimmung liefert die folgenden Ausgaben für jeden Analyseauftrag:
Identität der in den Dokumenten genannten Entitäten.
-
Klassifizierung des Entitätstyps für jede Entitätserwähnung.
Die Stimmung und ein Stimmungswert für jede Entitätserwähnung.
Gruppen von Erwähnungen (Co-Referenzgruppen), die einer einzelnen Entität entsprechen.
Sie können die Analyse mit der Amazon Comprehend-KonsoleKonsole oder die API verwenden, um eine gezielte Stimmungsanalyse durchzuführen. Die Konsole und die API unterstützen Echtzeitanalysen und asynchrone Analysen für gezielte Stimmungen.
Amazon Comprehend unterstützt gezielte Stimmungen für Dokumente in englischer Sprache.
Weitere Informationen zu gezielten Stimmungen, einschließlich eines Tutorials, finden Sie unter Extrahieren von granularen Stimmungen im Text mit Amazon Comprehend Targeted Sentiment
Themen
Entitätstypen
Die gezielte Stimmung identifiziert die folgenden Entitätstypen. Es weist den Entitätstyp Telefonie zu, wenn die Entität nicht zu einer anderen Kategorie gehört. Jede Entität, die in der Ausgabedatei erwähnt wird, enthält den Entitätstyp, z. B. "Type": "PERSON".
Definitionen des Entitätstyps | |||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Entitätstyp | Definition | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Trichter | Beispiele hierfür sind Einzelpersonen, Personengruppen, Spitznamen, fiktive Zeichen und Arztnamen. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| LOCATION | Geografische Standorte wie Länder, Städte, Bundesstaaten, Adressen, geologische Formationen, Gewässer, natürliche Statuen und astronomische Standorte. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ORGANIZATION | Beispiele hierfür sind Regierungen, Unternehmen, Sportteams und Jungfern. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| BolILITY | Bauten, Flughafen, Hochwege, Brücken und andere permanente, von Menschen erstellte Strukturen und echte Bautenverbesserungen. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Telefonie | Organisation, Gruppe oder Produzent eines bestimmten kommerziellen Artikels oder Produktbereichs. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| COMMERCIAL_ITEM | Alle nicht generischen Artikel, einschließlich Fahrzeuge, und große Produkte, für die nur ein Artikel produziert wurde. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| MOVIE | Eine Film- oder Telefoniesendung. Entität könnte der vollständige Name, ein Spitzname oder ein Untertitel sein. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| MUSIK | Ein Song, vollständig oder teilweise. Außerdem Sammlungen einzelner Musikerstellungen, z. B. ein Album oder eine Anthologie. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| BOOK | Ein Buch, das fachlich oder selbstveröffentlicht veröffentlicht wird. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| Trichter | Ein offiziell veröffentlichtes Softwareprodukt. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| GAME | Ein Spiel, wie z. B. Video-, Bord-, gängige Spiele oder Sport. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| PERSONAL_TASTE | Offizielle Titel und Anerkennungen wie Bol, PhD oder Dr. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| EREIGNIS | Beispiele hierfür sind , Telefonie, Wahlen, Konflikte, Konferenzn und Werbeveranstaltungen. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| DATUM | Jeder Verweis auf ein Datum oder eine Uhrzeit, unabhängig davon, ob spezifisch oder allgemein, ob absolute oder relative. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| QUANTITY | Alle Messungen zusammen mit ihren Einheiten (Währung, Prozentsatz, Zahl, Bytes usw.). | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| ATTRIBUTE | Ein Attribut, Merkmal oder Merkmal einer Entität, z. B. die „Qualität“ eines Produkts, der „Preis“ eines Telefons oder die „Geschwindigkeit“ einer CPU. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
| OTHER | Entitäten, die keiner der anderen Kategorien angehören. | ||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
Co-Referenzgruppe
Die gezielte Stimmung identifiziert Co-Referenzgruppen in jedem Eingabedokument. Eine Co-Referenzgruppe ist eine Gruppe von Erwähnungen in einem Dokument, die einer realen Entität entsprechen.
Im folgenden Beispiel einer Kundenbewertung ist „spa“ die Entität mit dem Entitätstyp FACILITY. Die Entität hat zwei zusätzliche Erwähnungen als Pronom („sie“).
Organisation der Ausgabedatei
Der gezielte Stimmungsanalyseauftrag erstellt eine JSON-Textausgabedatei. Die Datei enthält ein JSON-Objekt für jedes der Eingabedokumente. Jedes JSON-Objekt enthält die folgenden Felder:
-
Entitäten – Ein Array von Entitäten, die im Dokument gefunden wurden.
-
Datei – Der Dateiname des Eingabedokuments.
-
Zeile – Wenn die Eingabedatei ein Dokument pro Zeile ist, enthält Entitäten die Zeilennummer des Dokuments in der Datei.
Anmerkung
Wenn die gezielte Stimmung keine Entitäten im Eingabetext identifiziert, gibt sie ein leeres Array als Ergebnis der Entitäten zurück.
Das folgende Beispiel zeigt Entitäten für eine Eingabedatei mit drei Eingabezeilen. Das Eingabeformat ist ONE_DOC_PER_LINE, daher ist jede Eingabezeile ein Dokument.
{ "Entities":[
{entityA},
{entityB},
{entityC}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 0
}
{ "Entities": [
{entityD},
{entityE}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 1
}
{ "Entities": [
{entityF},
{entityG}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 2
}Eine Entität im Entitäts-Array enthält eine logische Gruppierung (als Co-Referenzgruppe bezeichnet) der Entitätserwähnungen, die im Dokument erkannt wurden. Jede Entität hat die folgende Gesamtstruktur:
{"DescriptiveMentionIndex": [0],
"Mentions": [
{mentionD},
{mentionE}
]
} Eine Entität enthält die folgenden Felder:
-
Hinweise – Eine Reihe von Erwähnungen der Entität im Dokument. Das Array stellt eine Co-Referenzgruppe dar. Ein Beispiel finden Sie unter Co-Referenzgruppe. Die Reihenfolge der Erwähnungen im Array Belieben ist die Reihenfolge ihres Standorts (Offset) im Dokument. Jede Erwähnung umfasst den Stimmungswert und den Gruppenwert für diese Erwähnung. Der Gruppenwert gibt das Konfidenzniveau an, dass diese Erwähnungen derselben Entität angehören.
-
DescriptiveMentionIndex – Ein oder mehrere Indizes in das Array Beliebungen, das den besten Namen für die Entitätsgruppe bereitstellt. Beispielsweise könnte eine Entität drei Erwähnungen mit den Text werten„ABC Ker“, „ABC Ker“ und „it“ haben. Der beste Name ist „ABC Ker“, das den DescriptiveMentionIndex Wert [0,1] hat.
Jede Erwähnung enthält die folgenden Felder
-
BeginOffset – Der Offset in den Dokumenttext, in dem die Erwähnung beginnt.
-
EndOffset – Der Offset in den Dokumenttext, in dem die Erwähnung endet.
GroupScore – Das Vertrauen, dass sich alle in der Gruppe genannten Entitäten auf dieselbe Entität beziehen.
Text – Der Text in dem Dokument, das die Entität identifiziert.
Typ – Der Typ der Entität. Amazon Comprehend unterstützt eine Vielzahl von Entitätstypen.
Ergebnis – Modellzuverlässigkeit, dass die Entität relevant ist. Der Wertebereich ist Null bis Eins, wobei einer der sichersten ist.
MentionSentiment – Enthält die Stimmung und den Stimmungswert für die Erwähnung.
Stimmung – Die Stimmung der Erwähnung. Zu den Werten gehören: POSITIV, NEUTRAL, NEGATIV und GEMISCHT.
SentimentScore – Bietet Modellzuverlässigkeit für jede der möglichen Stimmungen. Der Wertebereich ist Null bis Eins, wobei einer der sichersten ist.
Die Stimmungswerte haben die folgende Bedeutung:
-
positiv – Die Entitätserwähnung drückt eine positive Stimmung aus.
-
negativ – Die Entitätserwähnung drückt eine negative Stimmung aus.
-
Gemischt – Die Entitätserwähnung drückt sowohl positive als auch negative Stimmungen aus.
-
Leerlauf – Die Entitätserwähnung drückt weder positive noch negative Stimmungen aus.
Im folgenden Beispiel hat eine Entität nur eine Erwähnung im Eingabedokument, daher DescriptiveMentionIndex ist Null (die erste Erwähnung im Array „Beliebenschaften“). Die identifizierte Entität ist ein Bol mit dem Namen „I“. Der Stimmungswert ist neutral.
{"Entities":[ { "DescriptiveMentionIndex": [0], "Mentions": [ { "BeginOffset": 0, "EndOffset": 1, "Score": 0.999997, "GroupScore": 1, "Text": "I", "Type": "PERSON", "MentionSentiment": { "Sentiment": "NEUTRAL", "SentimentScore": { "Mixed": 0, "Negative": 0, "Neutral": 1, "Positive": 0 } } } ] } ], "File": "Input.txt", "Line": 0 }
Echtzeitanalyse mit der Konsole
Sie können die Amazon Comprehend-Konsole verwenden, um Gezielte Stimmung in Echtzeit auszuführen. Verwenden Sie den Beispieltext oder fügen Sie Ihren eigenen Text in das Eingabetextfeld ein und wählen Sie dann Analysieren aus.
Im Bereich Insights zeigt die Konsole drei Ansichten der gezielten Stimmungsanalyse an:
-
Analysierter Text – Zeigt den analysierten Text an und unterstrich jede Entität. Die Farbe des Unterstrichs gibt den Stimmungswert (positiv, neutral, negativ oder gemischt) an, den die Analyse der Entität zugewiesen hat. Die Konsole zeigt die Farbzuordnungen in der oberen rechten Ecke des analysierten Textfeldes an. Wenn Sie den Mauszeiger über eine Entität bewegen, zeigt die Konsole ein Popup-Bedienfeld mit Analysewerten (Entitätstyp, Stimmungswert) für die Entität an.
-
Ergebnisse – Zeigt eine Tabelle mit einer Zeile für jede Entitätserwähnung an, die im Text identifiziert wurde. Für jede Entität zeigt die Tabelle die Entität und den Entitätswert an. Die Zeile enthält auch die primäre Stimmung und den Wert für jeden Stimmungswert. Wenn es mehrere Erwähnungen derselben Entität gibt, die als bezeichnet werdenCo-Referenzgruppe, zeigt die Tabelle diese Erwähnungen als zusammenklappbaren Satz von Zeilen an, die der Hauptentität zugeordnet sind.
Wenn Sie den Mauszeiger über eine Entitätszeile in der Tabelle Ergebnisse bewegen, hebt die Konsole die Entitätserwähnung im Textfeld Analysiert hervor.
-
Anwendungsintegration – Zeigt die Parameterwerte der API-Anforderung und die Struktur des JSON-Objekts an, das in der API-Antwort zurückgegeben wird. Eine Beschreibung der Felder im JSON-Objekt finden Sie unter Organisation der Ausgabedatei.
Beispiel für eine Echtzeitanalyse der Konsole
In diesem Beispiel wird der folgende Text als Eingabe verwendet. Dabei handelt es sich um den Standardeingabetext, den die Konsole bereitstellt.
Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card account 1111-0000-1111-0008 has a minimum payment of $24.53 that is due by July 31st. Based on your autopay settings, we will withdraw your payment on the due date from your bank account number XXXXXX1111 with the routing number XXXXX0000. Customer feedback for Sunshine Spa, 123 Main St, Anywhere. Send comments to Alice at sunspa@mail.com. I enjoyed visiting the spa. It was very comfortable but it was also very expensive. The amenities were ok but the service made the spa a great experience.
Das Textfeld Analysiert zeigt die folgende Ausgabe für dieses Beispiel. Bewegen Sie die Maus über den TextZhang Wei, um das Popup-Bedienfeld für diese Entität anzuzeigen.
Die Tabelle Ergebnisse enthält zusätzliche Details zu jeder Entität, einschließlich der Entitätsbewertung, der primären Stimmung und der Punktzahl für jede Stimmung.
In unserem Beispiel erkennt die gezielte Stimmungsanalyse, dass jede Erwähnung Ihres im Eingabetext ein Verweis auf die Personseinheit Zhang Wei ist. Die Konsole zeigt diese Erwähnungen als Satz zusammenklappbarer Zeilen an, die der Hauptentität zugeordnet sind.
Im Bereich Anwendungsintegration wird das JSON-Objekt angezeigt, das die DetectTargetedSentiment API generiert. Ein vollständiges Beispiel finden Sie im folgenden Abschnitt.
Beispiel für eine gezielte Stimmungsausgabe
Das folgende Beispiel zeigt die Ausgabedatei aus einem gezielten Stimmungsanalyseauftrag. Die Eingabedatei besteht aus drei einfachen Dokumenten:
The burger was very flavorful and the burger bun was excellent. However, customer service was slow. My burger was good, and it was warm. The burger had plenty of toppings. The burger was cooked perfectly but it was cold. The service was OK.
Die gezielte Stimmungsanalyse dieser Eingabedatei erzeugt die folgende Ausgabe.
{"Entities":[
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 4,
"EndOffset": 10,
"Score": 0.999991,
"GroupScore": 1,
"Text": "burger",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0,
"Negative": 0,
"Neutral": 0,
"Positive": 1
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 38,
"EndOffset": 44,
"Score": 1,
"GroupScore": 1,
"Text": "burger",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "NEUTRAL",
"SentimentScore": {
"Mixed": 0.000005,
"Negative": 0.000005,
"Neutral": 0.999591,
"Positive": 0.000398
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 45,
"EndOffset": 48,
"Score": 0.961575,
"GroupScore": 1,
"Text": "bun",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0.000327,
"Negative": 0.000286,
"Neutral": 0.050269,
"Positive": 0.949118
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 73,
"EndOffset": 89,
"Score": 0.999988,
"GroupScore": 1,
"Text": "customer service",
"Type": "ATTRIBUTE",
"MentionSentiment": {
"Sentiment": "NEGATIVE",
"SentimentScore": {
"Mixed": 0.000001,
"Negative": 0.999976,
"Neutral": 0.000017,
"Positive": 0.000006
}
}
}
]
}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 0
}
{
"Entities": [
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 0,
"EndOffset": 2,
"Score": 0.99995,
"GroupScore": 1,
"Text": "My",
"Type": "PERSON",
"MentionSentiment": {
"Sentiment": "NEUTRAL",
"SentimentScore": {
"Mixed": 0,
"Negative": 0,
"Neutral": 1,
"Positive": 0
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0,
2
],
"Mentions": [
{
"BeginOffset": 3,
"EndOffset": 9,
"Score": 0.999999,
"GroupScore": 1,
"Text": "burger",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0.000002,
"Negative": 0.000001,
"Neutral": 0.000003,
"Positive": 0.999994
}
}
},
{
"BeginOffset": 24,
"EndOffset": 26,
"Score": 0.999756,
"GroupScore": 0.999314,
"Text": "it",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0,
"Negative": 0.000003,
"Neutral": 0.000006,
"Positive": 0.999991
}
}
},
{
"BeginOffset": 41,
"EndOffset": 47,
"Score": 1,
"GroupScore": 0.531342,
"Text": "burger",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0.000215,
"Negative": 0.000094,
"Neutral": 0.00008,
"Positive": 0.999611
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 52,
"EndOffset": 58,
"Score": 0.965462,
"GroupScore": 1,
"Text": "plenty",
"Type": "QUANTITY",
"MentionSentiment": {
"Sentiment": "NEUTRAL",
"SentimentScore": {
"Mixed": 0,
"Negative": 0,
"Neutral": 1,
"Positive": 0
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 62,
"EndOffset": 70,
"Score": 0.998353,
"GroupScore": 1,
"Text": "toppings",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "NEUTRAL",
"SentimentScore": {
"Mixed": 0,
"Negative": 0,
"Neutral": 0.999964,
"Positive": 0.000036
}
}
}
]
}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 1
}
{
"Entities": [
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 4,
"EndOffset": 10,
"Score": 1,
"GroupScore": 1,
"Text": "burger",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "POSITIVE",
"SentimentScore": {
"Mixed": 0.001515,
"Negative": 0.000822,
"Neutral": 0.000243,
"Positive": 0.99742
}
}
},
{
"BeginOffset": 36,
"EndOffset": 38,
"Score": 0.999843,
"GroupScore": 0.999661,
"Text": "it",
"Type": "OTHER",
"MentionSentiment": {
"Sentiment": "NEGATIVE",
"SentimentScore": {
"Mixed": 0,
"Negative": 0.999996,
"Neutral": 0.000004,
"Positive": 0
}
}
}
]
},
{
"DescriptiveMentionIndex": [
0
],
"Mentions": [
{
"BeginOffset": 53,
"EndOffset": 60,
"Score": 1,
"GroupScore": 1,
"Text": "service",
"Type": "ATTRIBUTE",
"MentionSentiment": {
"Sentiment": "NEUTRAL",
"SentimentScore": {
"Mixed": 0.000033,
"Negative": 0.000089,
"Neutral": 0.993325,
"Positive": 0.006553
}
}
}
]
}
],
"File": "TargetSentimentInputDocs.txt",
"Line": 2
}
}