Amazon Comprehend の特徴

キーフレーズ抽出

• 例: この例では、お客様が DSLR カメラとインスタントフィルムカメラを比較しています。API はキーフレーズを抽出し、結果に関する信頼スコアを返します。
  

  サンプルテキスト: 私は熱心な写真家です。主に、DSLR か、気軽に持ち歩けるインスタントフィルムカメラで撮影しています。能力と利便性で DSLR に勝るものはありませんが、インスタントフィルムカメラには魔法のようなものがあります。おそらくそれは、実際のフィルムで撮影していることや、撮影したすべてのショットが唯一無二の物理的な人工物であることかもしれません (写真がありふれたものである今日の Instagram や Facebook の世界では特殊なことです)。私が確かだとわかっていることは、それらの写真は信じられないほど楽しく利用でき、そのうちの 1 枚をパーティーで取り出すと人々の目が明るくなることです。
  

  キーフレーズ	信頼性
  熱心な写真家	0.99
  私の DSLR	0.97
  私のインスタントフィルムカメラ	0.99
  気軽に	0.99
  能力と利便性	0.94
  実際のフィルム	0.99
  すべてのショット	0.92
  唯一無二の物理的な人工物	0.99
  今日	0.91
  世界	0.99
  Instagram や Facebook	0.99

感情分析

• 例: この例では、お客様が 1 足の靴についてのフィードバックを投稿しています。API は、信頼性スコアとともにお客様が表している感情を識別します。
  

  サンプルテキスト: 私が注文したのは S です。それがぴったり合うと思っていたのですが、M-L のようにやや大きめでした。品質は素晴らしいものでした。写真よりも明るい茶色ですが、かなり近い色です。内側に綿やウールの裏地が付いていれば 10 倍も良いものになるでしょう。
  

  感情	スコア
  混在	0.89
  肯定的	0.09
  否定的	0.01
  中立的	0.00

構文解析

• 例: この例では、Comprehend Syntax API を使用して短いドキュメントを分析します。Syntax API は、テキストをトークン分割 (単語境界を定義) して、名詞 や動詞などの関連する品詞で各単語にラベルを付けます。開始や終了を知らせ、テキスト内での単語の位置がわかるだけでなく、信頼性スコアも提供します。

  サンプルテキスト: I love my fast, new Kindle Fire!

  テキスト	タグ
  I	代名詞
  Love	動詞
  My	代名詞
  高速	形容詞
  、	句読点
  New	形容詞
  Kindle	固有名詞
  Fire	固有名詞
  !	句読点

エンティティ認識

• 例: この例では、会社の説明を見ています。API は、組織、日付、場所などのエンティティを識別し、信頼スコアを返します。
  

  サンプルテキスト: Amazon.com, Inc. はワシントン州シアトルにあり、1994 年 7 月 5 日にジェフ・ベゾス氏によって設立されました。顧客は書籍からブレンダーまであらゆるものを購入できます。シアトルはポートランドの北、ブリティッシュコロンビア州バンクーバーの南にあります。シアトルに本拠を置くその他の有名企業は、スターバックスとボーイングです。
  

  エンティティ	カテゴリ	信頼性
  Amazon.com, Inc.	組織	0.96
  ワシントン州シアトル	ロケーション	0.96
  1994 年 7 月 5 日	日付	0.99
  ジェフ・ベゾス	人	0.99
  シアトル	ロケーション	0.98
  ポートランド	ロケーション	0.99
  ブリティッシュコロンビア州バンクーバー	ロケーション	0.97
  スターバックス	組織	0.91
  ボーイング	組織	0.99

Comprehend Medical

Medical Named Entity and Relationship Extraction (NERe)

• 例: この例では、入院時診療記録を見ています。API は医療情報を識別し、信頼スコアを返します。
  

  サンプルテキスト : Smith 氏は、冠動脈疾患があり高血圧が認められる 63 歳の男性です。現在の投薬 : LIPITOR 20mg を 1 日 1 回摂取しています。
  

  

医療オントロジーリンク

カスタムエンティティ

• 例: この例では、保険会社が、ビジネス、ポリシー番号に固有のエンティティのテキストドキュメントを分析したいと考えています。
  

  サンプルテキスト: こんにちは、Sam Ford です。自動車事故の保険申請を行います。私のポリシーコードは、456-YQT です。
  

  エンティティ	カテゴリ	カウント	信頼性
  456-YQT	Policy_ID	1	0.95

言語検出

• 例: この例では、API はテキストを解析し、信頼性スコアとともにテキストの主要言語をイタリア語として識別することができます。

  サンプルテキスト: Amazon Elastic Compute Cloud (Amazon EC2) è un servizio Web che fornisce capacità di elaborazione sicura e scalabile nel cloud.È concepito per rendere più semplice il cloud computing su scala Web per gli sviluppatori.
  

  ISO-639-1 言語コード	言語	信頼性
  それ	イタリア語	1.0

カスタム分類子

• 例:航空会社でカスタマーサポートへのフィードバックを整理してみるとします。各フィードバックを、会計の疑問、チケットの払い戻し、フライトへの苦情に整理しようと思います。このサービスをトレーニングするには、それぞれの問題からテキストの例を含む CSV ファイルを作成し、各サンプルに該当する 4 つのラベルのいずれかを付けます。このサービスでは、お客様に代わってカスタムモデルを自動的にトレーニングします。翌日にモデルを使用してすべての通話を分析するには、各テキストファイルをサービスに送信し、ラベル一致の信認とともに、ラベルの付いた結果を受け取ります。
  

  テキスト	ラベル	信頼性スコア
  Line 0	会計の疑問	0.92
  Line 1	チケットの払い戻し	1
  line 2	フライトへの苦情	1
  line 3	フライトへの苦情	0.91
  Doc5.csv	チケットの払い戻し	1

トピックモデリング

• 例: ドキュメント (Doc1.txt、Doc2.txt、Doc3.txt、および Doc4.txt) が Amazon S3 に保存されているときに、Amazon Comprehend をその位置にポイントすると、Comprehend はドキュメントを分析して 2 つのビューを返します。
  

  1.トピックであるキーワードのグループ化。

  キーワードの各グループはトピックグループに関連付けられています。重みは、グループ内のキーワードの出現頻度を指します。重みが 1 に最も近いキーワードは、トピックグループのコンテキストを最もよく表しています。

  トピックグループ	キーワード	重み
  1	Amazon	0.87
  1	シアトル	0.65
  2	休日	0.78
  2	ショッピング	0.67

  キーワードの各グループはトピックグループに関連付けられています。重みは、グループ内のキーワードの出現頻度を指します。重みが 1 に最も近いキーワードは、トピックグループのコンテキストを最もよく表しています。

  2.トピックによるドキュメントのグループ化。

  ドキュメント名	トピックグループ	比率
  Doc1.txt	1	0.87
  Doc2.txt	1	0.65
  Doc3.txt	2	0.78
  Doc4.txt	2	0.67

  各ドキュメントは、ドキュメント内に存在するトピックグループの重み付けされたキーワードの比率に基づいて、トピックグループにマップされます。

多言語サポート