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