Textanalysen

Ein KI-Dienst, der Erkenntnisse wie Stimmungen, Entitäten und Schlüsselbegriffe aus unstrukturiertem Text liefert

Extract insights from text

Nutzen Sie die Verarbeitung natürlicher Sprache, um Einblicke in unstrukturierten Text zu gewinnen – ganz ohne Vorkenntnisse im Bereich Machine Learning. Identifizieren Sie Schlüsselbegriffe und Entitäten, z. B. Personen, Orte und Unternehmen, um allgemeine Themen und Trends zu verstehen. Erhalten Sie mit der Standpunktanalyse tiefere Einblicke in die Meinung Ihrer Kunden. Werten Sie Texte in einer Vielzahl von Sprachen aus.

Broad entity extraction

Identifizieren Sie wichtige Begriffe in Texten, beispielsweise Schlüsselbegriffe und benannte Entitäten.

Powerful sentiment analysis

Erfahren Sie, was Kunden über Ihre Marke sagen, und erkennen Sie Stimmungen rund um bestimmte Themen.

Zuverlässige Sprachenerkennung

Werten Sie Texteingaben in einer Vielzahl von Sprachen aus.

Flexible Bereitstellung

Ob in der Cloud, lokal oder containerbasiert am Edge – die Textanalyse lässt sich praktisch überall ausführen.

  1. Analysierter Text
  2. JSON
Sprachen: English (Genauigkeit: 100 %)
Schlüsselbegriffe: place, online menu, great menu, marvelous food, midtown NYC, week, dinner party, Contoso Steakhouse, pre-order, John Doe, Sirloin steak, chief cook, owner, kitchen, spot, dining, complaint, email
Stimmungen:
Dokument
MIXED
86%
Positiv
0%
Neutral
14%
Negativ
Satz 1
POSITIVE
99%
Positiv
1%
Neutral
0%
Negativ
Satz 2
POSITIVE
100%
Positiv
0%
Neutral
0%
Negativ
Satz 3
POSITIVE
100%
Positiv
0%
Neutral
0%
Negativ
Satz 4
POSITIVE
100%
Positiv
0%
Neutral
0%
Negativ
Satz 5
POSITIVE
100%
Positiv
0%
Neutral
0%
Negativ
Satz 6
NEUTRAL
0%
Positiv
100%
Neutral
0%
Negativ
Satz 7
NEGATIVE
0%
Positiv
0%
Neutral
100%
Negativ
Satz 8
POSITIVE
100%
Positiv
0%
Neutral
0%
Negativ
Benannte Entitäten: Contoso Steakhouse [Location]
midtown NYC [Location]
last week [DateTime-DateRange]
chief cook [PersonType]
owner [PersonType]
John Doe [Person]
kitchen [Location-Structural]
www.contososteakhouse.com [URL]
312-555-0176 [Phone Number]
email [Skill]
order@contososteakhouse.com [Email]
PII-Entitäten: Type: Person
Value: John Doe

Type: URL
Value: www.contososteakhouse.com

Type: Phone Number
Value: 312-555-0176

Type: Email
Value: order@contososteakhouse.com

Verknüpfte Entitäten: We went to Contoso Steakhouse located at midtown NYC last week for a dinner party, and we adore the spot! They provide marvelous food and they have a great menu. The chief cook happens to be the owner (I think his name is John Doe) and he is super nice, coming out of the kitchen and greeted us all. We enjoyed very much dining in the place! The Sirloin steak I ordered was tender and juicy, and the place was impeccably clean. You can even pre-order from their online menu at www.contososteakhouse.com, call 312-555-0176 or send email to order@contososteakhouse.com! The only complaint I have is the food didn't come fast enough. Overall I highly recommend it!
{
  "languageDetection": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "detectedLanguages": [
          {
            "name": "English",
            "iso6391Name": "en",
            "score": 1.0
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2019-10-01"
  },
  "keyPhrases": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "keyPhrases": [
          "place",
          "online menu",
          "great menu",
          "marvelous food",
          "midtown NYC",
          "week",
          "dinner party",
          "Contoso Steakhouse",
          "pre-order",
          "John Doe",
          "Sirloin steak",
          "chief cook",
          "owner",
          "kitchen",
          "spot",
          "dining",
          "complaint",
          "email"
        ]
      }
    ],
    "errors": [],
    "modelversion": "2019-10-01"
  },
  "sentiment": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "sentiment": "mixed",
        "documentscores": {
          "positive": 0.86,
          "neutral": 0.0,
          "negative": 0.14
        },
        "sentences": [
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 0.99,
              "neutral": 0.01,
              "negative": 0.0
            },
            "offset": 0,
            "length": 105
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 106,
            "length": 55
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 162,
            "length": 137
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 300,
            "length": 41
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 342,
            "length": 85
          },
          {
            "sentiment": "neutral",
            "sentencescores": {
              "positive": 0.0,
              "neutral": 1.0,
              "negative": 0.0
            },
            "offset": 428,
            "length": 139
          },
          {
            "sentiment": "negative",
            "sentencescores": {
              "positive": 0.0,
              "neutral": 0.0,
              "negative": 1.0
            },
            "offset": 568,
            "length": 62
          },
          {
            "sentiment": "positive",
            "sentencescores": {
              "positive": 1.0,
              "neutral": 0.0,
              "negative": 0.0
            },
            "offset": 631,
            "length": 30
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-04-01"
  },
  "entities": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "entities": [
          {
            "text": "Contoso Steakhouse",
            "type": "Location",
            "subtype": null,
            "offset": 11,
            "length": 18,
            "score": 0.46
          },
          {
            "text": "midtown NYC",
            "type": "Location",
            "subtype": null,
            "offset": 41,
            "length": 11,
            "score": 0.55
          },
          {
            "text": "last week",
            "type": "DateTime",
            "subtype": "DateRange",
            "offset": 53,
            "length": 9,
            "score": 0.8
          },
          {
            "text": "chief cook",
            "type": "PersonType",
            "subtype": null,
            "offset": 166,
            "length": 10,
            "score": 0.82
          },
          {
            "text": "owner",
            "type": "PersonType",
            "subtype": null,
            "offset": 195,
            "length": 5,
            "score": 0.71
          },
          {
            "text": "John Doe",
            "type": "Person",
            "subtype": null,
            "offset": 222,
            "length": 8,
            "score": 0.94
          },
          {
            "text": "kitchen",
            "type": "Location",
            "subtype": "Structural",
            "offset": 272,
            "length": 7,
            "score": 0.6
          },
          {
            "text": "www.contososteakhouse.com",
            "type": "URL",
            "subtype": null,
            "offset": 477,
            "length": 25,
            "score": 0.8
          },
          {
            "text": "312-555-0176",
            "type": "Phone Number",
            "subtype": null,
            "offset": 509,
            "length": 12,
            "score": 0.8
          },
          {
            "text": "email",
            "type": "Skill",
            "subtype": null,
            "offset": 530,
            "length": 5,
            "score": 0.8
          },
          {
            "text": "order@contososteakhouse.com",
            "type": "Email",
            "subtype": null,
            "offset": 539,
            "length": 27,
            "score": 0.8
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-04-01"
  },
  "entityLinking": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "entities": [
          {
            "name": "Sirloin steak",
            "matches": [
              {
                "text": "Sirloin steak",
                "offset": 346,
                "length": 13,
                "score": 0.69
              }
            ],
            "language": "en",
            "id": "Sirloin steak",
            "url": "https://en.wikipedia.org/wiki/Sirloin_steak",
            "datasource": "Wikipedia"
          },
          {
            "name": "Steakhouse",
            "matches": [
              {
                "text": "Steakhouse",
                "offset": 19,
                "length": 10,
                "score": 0.78
              }
            ],
            "language": "en",
            "id": "Steakhouse",
            "url": "https://en.wikipedia.org/wiki/Steakhouse",
            "datasource": "Wikipedia"
          },
          {
            "name": "John Doe",
            "matches": [
              {
                "text": "John Doe",
                "offset": 222,
                "length": 8,
                "score": 0.01
              }
            ],
            "language": "en",
            "id": "John Doe",
            "url": "https://en.wikipedia.org/wiki/John_Doe",
            "datasource": "Wikipedia"
          },
          {
            "name": "New York City",
            "matches": [
              {
                "text": "NYC",
                "offset": 49,
                "length": 3,
                "score": 0.39
              }
            ],
            "language": "en",
            "id": "New York City",
            "url": "https://en.wikipedia.org/wiki/New_York_City",
            "datasource": "Wikipedia"
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-02-01"
  },
  "entityPII": {
    "documents": [
      {
        "id": "06e86122-38a9-45e6-88b0-c5a2bc74daec",
        "entities": [
          {
            "text": "John Doe",
            "type": "Person",
            "subtype": null,
            "offset": 222,
            "length": "8",
            "score": 0.94
          },
          {
            "text": "www.contososteakhouse.com",
            "type": "URL",
            "subtype": null,
            "offset": 477,
            "length": "25",
            "score": 0.8
          },
          {
            "text": "312-555-0176",
            "type": "Phone Number",
            "subtype": null,
            "offset": 509,
            "length": "12",
            "score": 0.8
          },
          {
            "text": "order@contososteakhouse.com",
            "type": "Email",
            "subtype": null,
            "offset": 539,
            "length": "27",
            "score": 0.8
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2020-04-01"
  }
}

Wichtige Begriffe identifizieren und kategorisieren

Klassifizieren Sie ein breites Spektrum von Entitäten in Texten, z. B. Personen, Orte, Unternehmen, Datums-/Uhrzeitangaben und Prozentsätze, mithilfe der Erkennung benannter Entitäten. Identifizieren und extrahieren Sie aus Dokumenten mehr als 100 Arten personenbezogener Informationen (Personally Identifiable Information, PII) und mehr als 80 Arten geschützter Gesundheitsinformationen (Protected Health Information, PHI). Gewinnen Sie noch schneller Erkenntnisse durch vorkonfigurierte Modelle für die Entitätsextraktion.

Schlüsselbegriffe aus unstrukturiertem Text extrahieren

Bewerten und identifizieren Sie schnell die Hauptaussagen in unstrukturiertem Text. Mit der Schlüsselbegriffserkennung erhalten Sie eine Liste relevanter Ausdrücke, die die Thematik jedes Datensatzes am besten beschreiben. Sie können problemlos Informationen abrufen und organisieren, um wichtige Themen und Trends zu verstehen.

Die Kundenwahrnehmung besser einschätzen

Erkennen Sie positive und negative Stimmungen in sozialen Medien, Kundenrezensionen und anderen Quellen, um einen Eindruck von der Akzeptanz Ihrer Marke zu erhalten.

Bereitstellungen von der Cloud bis zum Edge

Nutzen Sie die Textanalyse, ganz gleich, wo sich Ihre Daten befinden. Entwickeln Sie Anwendungen, die sowohl für stabile Cloudfunktionen als auch für das Edge zur Verwendung in Containern optimiert sind.

Umfassende Datenschutz- und Sicherheitsfunktionen

  • Sie behalten die Kontrolle über Ihre Daten. Microsoft nutzt die mit Ihren Texten erzielten Trainingsergebnisse nicht für die Optimierung von Modellen.
  • Mit Containern können Sie wählen, wo Ihre Daten von Cognitive Services verarbeitet werden.
  • Die Textanalyse basiert auf der Azure-Infrastruktur und überzeugt durch Sicherheit, Verfügbarkeit, Compliance und Verwaltbarkeit auf Unternehmensniveau.

Leistung, Steuerung und Anpassungsmöglichkeiten nach Bedarf mit flexibler Preisgestaltung

  • Sie zahlen nur für Ressourcen, die Sie wirklich nutzen – ohne jegliche Vorabkosten.
  • Bei der Textanalyse erfolgt die Bezahlung nutzungsbasiert nach der Anzahl von Transaktionen.

Ressourcen für die Textanalyse

Erste Schritte

Bei Unternehmen aller Größen bewährt

KPMG optimiert Betrugsanalyse

KPMG hilft Finanzinstituten mit seiner Customer Risk Analytics-Lösung, die spezifische Textmuster und Schlüsselbegriffe erkennt, Compliancerisiken aufzuzeigen und Compliancekosten in Millionenhöhe einzusparen.

Erfolgsstory lesen

KPMG

Securex sorgt für reibungslose Kundenerfahrung

Securex nutzt die Textanalyse, um eingehende E-Mails zu analysieren, automatisch nach Themen zu klassifizieren, zu priorisieren und dann an den richtigen Empfänger zu übermitteln.

Erfolgsstory lesen

SecureX

IHC stärkt Servicetechniker

Royal IHC verwendet Azure Cognitive Search und Textanalysen, um seine Techniker von der zeitaufwändigen manuellen Datensuche über verschiedene Quellen hinweg zu entlasten und ihnen Einblicke in strukturierte und unstrukturierte Daten zu verschaffen.

Erfolgsstory lesen

Royal IHC

LaLiga bindet Fans stärker ein

LaLiga unterstützt mehrere hundert Millionen Fans rund um die Welt mit einem persönlichen digitalen Assistenten, der eingehende Anfragen per Textanalyse auswertet und Benutzerabsichten in mehreren Sprachen ermittelt.

Erfolgsstory lesen

LaLiga

IndiaLends skaliert Betriebsabläufe, um den Bedarf zu decken

IndiaLends beschleunigt interne Abläufe und die Lösung von Kundenanfragen mithilfe von Standpunktanalysen.

Erfolgsstory lesen

India Lends

Kotak Mahindra Bank steigert Produktivität

Kotak Asset Management transformiert das Kundenservice-Management und setzt Chatbots ein, um Betreffzeilen, Kundeninformationen und E-Mail-Inhalte auf einfache Weise zu analysieren und so Stimmungen zu erkennen und die nächste optimale Maßnahme zu ergreifen.

Erfolgsstory lesen

Kotak

Häufig gestellte Fragen (FAQ) zu Textanalysen

  • Die Textanalyse erkennt eine Vielzahl von Sprachen, Varianten und Dialekten. Weitere Information finden Sie in der Dokumentation zur Sprachunterstützung.
  • Nein, die Modelle sind vortrainiert. Für hochgeladene Daten können Bewertungen sowie Schlüsselbegriffserkennung und Spracherkennung ausgeführt werden. Erkunden Sie den Language Understanding-Dienst, wenn Sie benutzerdefinierte Modelle erstellen und hosten möchten.
  • Ja. Die Standpunktanalyse und Schlüsselbegriffserkennung sind für eine ausgewählte Anzahl von Sprachen verfügbar. Im Textanalyseforum können Sie weitere Sprachen anfordern.
  • Bei der Schlüsselbegriffserkennung werden bedeutungslose Wörter und alleinstehende Adjektive entfernt. Kombinationen aus Adjektiven und Substantiven wie „spektakuläre Aussicht“ oder „nebliges Wetter“ werden zusammen zurückgegeben. Im Allgemeinen umfasst die Ausgabe die im Satz enthaltenen Substantive und Objekte, die nach ihrer Wichtigkeit aufgelistet sind. Die Wichtigkeit wird an der Häufigkeit gemessen, mit der ein bestimmter Begriff erwähnt wird, oder an der Beziehung des Elements zu anderen Elementen im Text.
  • Verbesserungen an Modellen und Algorithmen werden angekündigt, wenn es sich dabei um eine wichtige Änderung handelt, und in den Dienst integriert, wenn die Aktualisierung geringfügig ist. Möglicherweise stellen Sie nach einiger Zeit fest, dass dieselbe Texteingabe zu unterschiedlichen Stimmungswerten oder zur Ausgabe unterschiedlicher Schlüsselbegriffe führt. Dies ist ein normales und beabsichtigtes Verhalten, das sich aus der Verwendung verwalteter Machine Learning-Ressourcen in der Cloud ergibt.

Erste Schritte mit der Textanalyse