Vad är sentimentanalys och åsiktsutvinning?

Attitydanalys och åsiktsutvinning är funktioner som erbjuds av språktjänsten, en samling maskininlärnings- och AI-algoritmer i molnet för utveckling av intelligenta program som omfattar skriftligt språk. Dessa funktioner hjälper dig att ta reda på vad folk tycker om ditt varumärke eller ämne genom att bryta text för ledtrådar om positiva eller negativa sentiment, och kan associera dem med specifika aspekter av texten.

Både attitydanalys och åsiktsutvinning fungerar med en mängd olika skriftliga språk.

Attitydanalys

Funktionen attitydanalys ger sentimentetiketter (till exempel "negativ", "neutral" och "positiv") baserat på den högsta konfidenspoängen som hittats av tjänsten på menings- och dokumentnivå. Den här funktionen returnerar även konfidenspoäng mellan 0 och 1 för varje dokument och meningar i den för positiva, neutrala och negativa sentiment.

Åsiktsutvinning

Åsiktsutvinning är ett inslag i attitydanalys. Den här funktionen kallas även för aspektbaserad attitydanalys i bearbetning av naturligt språk (NLP) och ger mer detaljerad information om åsikter som rör ord (till exempel attribut för produkter eller tjänster) i text.

Fördefinierad modell

Typiskt arbetsflöde

Om du vill använda den här funktionen skickar du data för analys och hanterar API-utdata i ditt program. Analysen utförs som den är, utan någon ytterligare anpassning till den modell som används på dina data.

1. Skapa en Azure AI Language-resurs som ger dig åtkomst till de funktioner som erbjuds av Azure AI Language. Det genererar ett lösenord (kallas en nyckel) och en slutpunkts-URL som du använder för att autentisera API-begäranden.

2. Skapa en begäran med antingen REST-API:et eller klientbiblioteket för C#, Java, JavaScript och Python. Du kan också skicka asynkrona anrop med en batchbegäran för att kombinera API-begäranden för flera funktioner i ett enda anrop.

3. Skicka begäran som innehåller dina textdata. Din nyckel och slutpunkt används för autentisering.

4. Strömma eller lagra svaret lokalt.

Kom igång med attitydanalys

Om du vill använda attitydanalys skickar du ostrukturerad ostrukturerad text för analys och hanterar API-utdata i ditt program. Analysen utförs som den är, utan ytterligare anpassning till den modell som används för dina data. Det finns två sätt att använda attitydanalys:

Utvecklingsalternativ	beskrivning
Language Studio	Language Studio är en webbaserad plattform där du kan prova entitetslänkning med textexempel utan ett Azure-konto och dina egna data när du registrerar dig. Mer information finns på Language Studio-webbplatsen eller language studio-snabbstarten.
REST API eller klientbibliotek (Azure SDK)	Integrera attitydanalys i dina program med hjälp av REST-API:et eller klientbiblioteket som är tillgängligt på flera olika språk. Mer information finns i snabbstarten för attitydanalys.
Docker-container	Använd den tillgängliga Docker-containern för att distribuera den här funktionen lokalt. Med dessa docker-containrar kan du föra tjänsten närmare dina data av kompatibilitets-, säkerhets- eller andra driftsskäl.

Referensdokumentation och kodexempel

När du använder den här funktionen i dina program kan du läsa följande referensdokumentation och exempel för Azure AI Language:

Utvecklingsalternativ/språk	Referensdokumentation	Exempel
REST-API	Dokumentation om REST API
C#	C#-dokumentation	C#-exempel
Java	Java-dokumentation	Java-exempel
JavaScript	JavaScript-dokumentation	JavaScript-exempel
Python	Python-dokumentation	Python-exempel

Anpassad modell (förhandsversion)

Med anpassad attitydanalys kan användare skapa anpassade AI-modeller för att klassificera text i sentiment som fördefinierats av användaren. Genom att skapa ett projekt för anpassad attitydanalys kan utvecklare iterativt märka data, träna, utvärdera och förbättra modellprestanda innan de gör dem tillgängliga för förbrukning. Kvaliteten på etiketterade data påverkar modellens prestanda avsevärt. För att förenkla skapandet och anpassningen av din modell erbjuder tjänsten en anpassad webbportal som kan nås via Language Studio. Du kan enkelt komma igång med tjänsten genom att följa stegen i den här snabbstarten.

Livscykel för projektutveckling

Att skapa ett projekt för anpassad attitydanalys omfattar vanligtvis flera olika steg.

Följ dessa steg för att få ut mesta möjliga av din modell:

1. Definiera ditt schema: Känna till dina data och identifiera de sentiment du vill ha, för att undvika tvetydighet.

2. Märka dina data: Kvaliteten på dataetiketter är en viktig faktor för att fastställa modellprestanda. Undvik tvetydighet, se till att dina känslor är tydligt avgränsade från varandra.

3. Träna modellen: Din modell börjar lära sig från dina märkta data.

4. Visa modellens prestanda: Visa utvärderingsinformationen för din modell för att avgöra hur bra den presterar när den introduceras för nya data.

5. Distribuera modellen: Om du distribuerar en modell blir den tillgänglig för användning via Analys-API:et.

6. Klassificera text: Använd din anpassade modell för attitydanalysuppgifter.

Utvecklingsalternativ

Utvecklingsalternativ	beskrivning
Language Studio	Language Studio är en webbaserad plattform där du kan prova entitetslänkning med textexempel utan ett Azure-konto och dina egna data när du registrerar dig.
REST-API	Integrera attitydanalys i dina program programmatiskt med hjälp av REST-API:et.

Mer information finns i snabbstarten för attitydanalys.

Referensdokumentation

När du använder anpassad attitydanalys kan du läsa följande referensdokumentation och exempel för språktjänsten:

Utvecklingsalternativ/språk	Referensdokumentation	Exempel
REST-API:er (redigering)	Dokumentation om REST API
REST-API:er (Runtime)	Dokumentation om REST API

Ansvarsfull AI

Ett AI-system innehåller inte bara tekniken, utan även de personer som använder den, de personer som påverkas av den och miljön där den distribueras. Läs transparensanteckningen för attitydanalys för att lära dig mer om ansvarsfull AI-användning och distribution i dina system. Du kan också se följande artiklar för mer information:

Nästa steg

• Snabbstartsartiklarna med instruktioner om hur du använder tjänsten för första gången.
  • Använda den fördefinierade modellen
  • Skapa en anpassad modell