Text Analyse API, Sentiment Analyse, LUIS und QnA Maker

Text Analyse API (Stimmung, Schlüsselbegriffe, Themen und Sprache in Ihren Texten erkennen):

  • Empfindungsanalyse: Wert  0-1
  • Stichwörter extrahieren
  • Themenerkennung: Ein Thema wird anhand von Schlüsselbegriffen identifiziert
  • Erkennung der Landessprache

In diesem Fall muss man kritisch betrachten, da nur „Laptop“ als Schlüsselbegriff selektiert wunde. Ob dieses Wort alleine bzgl. der Stimmung aussagekräftig ist, ist fraglich.

Sentiment-Analyse

Mit der Sentiment-Analyse wird die allgemeine Stimmung eines Textes bewertet. Ein bot parst den Text und soll feststellen, ob eine bestimmte Tonart hinterlegt ist.

Es gibt Wörter wie „lieben, gut, Freude, schön“, die man mit positiven Emotionen verbindet. Wohingegen Wörter wie hassen, schlecht, nicht gut, ’scheixxe‘ negativen Emotionen äußern. Doch bei verneinten Sätze wie „Ich finde es nicht schlecht“ wird die Stimmungsanalyse nach den Schlüsselwörtern schon schwierig. Auch bei gemischten Sätzen wie “Der Apfel ist super, doch die Birne ist schlecht“ ist es nicht einfach die Emotion des Satzes zu identifizieren.

Eine erfolgreiche Technik dieses Problem zu adressieren, kommt aus dem Stanford Natural Language Processing Bibliothek. Ein „Recursiv Neural Tensor Network“ (RNTN) Algorithmus teilt den Satz in einzelnen Wörtern auf. Dieses Model verbindet die Wörter miteinander, welche zusammengehören und bewertet diese von extrem negativ bis hin zu extrem positiven Stimmung (1 bis 25 Punkte). Die NLP Bibliothek basiert auf Java. Diesen Analyse Engine kann man in seinem Programm integrieren, um die Sentiment Analyse durchzuführen. Der Algorithmus von dem Team in Standford hat IMDB Film Review ‚geparsed‘ und ziemlich genau die Bewertung des Films vorhergesagt.

LUIS und QnA Maker

LUIS und QnA Maker identifizieren einen intent und extrahieren deren entities. Auf dieser Weise soll der Text verstanden werden. Wie funktioniert LUIS? Luis analysiert Texte nach dem Ihn bekannten intent und entity Schema. Auf der LUIS-Seite, wo man die App erstellt, werden Luis entities und intents beigebracht. Mit Hilfe von utterances lernt er verwandte Sätze mit ähnlicher Bedeutung korrekt zu interpretieren. Luis kann anschließend einem Bot integriert werden. LUIS vergibt dem intent und entity eines Satzes  einen Score von 0 bis 1 (1 heißt positiver Befund). Mit einem Vergleichsoperator wird ein intent bzw. entitiy bewertet und eine Folgeaktion im Bot beschrieben bzw. definiert.

Falls der Text nicht verstanden wird, ist es möglich, dass Nutzer messages an eine reale Person weiterleitet. Sie antwortet die Frage dem Bot und diese geht dann weiter zum Anwender.
Der für die Integration von Luis verwendete Code sieht wie folgt aus.

Einen Bot in eine Webseite einbetten

Ein Bot auf einer Webseite macht Sinn, sofern auf der Webseite ein Besucher nicht schnell die gesuchte Information findet. Besonders bei einer kompliziert strukturierten Webseite macht dies Sinn.

Backchannel Mechanismus kommuniziert über Direct Line API und nutzt den open source web chat control. Durch diesen Kanal werden GPS Location des Besuchers und andere Webseiten-infos an Bots geschickt.

Was sagen die anderen zu der Idee?