Analyse de texte

Service d’intelligence artificielle qui détecte des informations telles que des sentiments, des entités et des phrases clés dans du texte non structuré

Extraction d’insights à partir de texte

Discover insights in unstructured text using natural language processing (NLP)—no machine learning expertise required. Identify key phrases and entities such as people, places, and organizations to understand common topics and trends. Classify medical terminology using domain-specific, pretrained models. Gain a deeper understanding of customer opinions with sentiment analysis. Evaluate text in a wide range of languages.

Vaste extraction d’entité

Identify important concepts in text, including key phrases and named entities such as people, places, and organizations.

Analyse puissante des sentiments

Examinez ce que les clients disent de votre marque, et détectez les sentiments qu’évoquent des sujets spécifiques.

Détection robuste de la langue

Évaluez une saisie de texte dans un vaste éventail de langues.

Déploiement flexible

Vous pouvez exécuter l’API Analyse de texte partout, dans le cloud, localement ou à la périphérie dans des conteneurs.

  1. Texte analysé
  2. JSON
Langues: English (niveau de confiance : 100 %)
Expressions clés: 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
Sentiment:
Document
MIXED
86%
Positif
0%
Neutre
14%
Négatif
Phrase 1
POSITIVE
99%
Positif
1%
Neutre
0%
Négatif
Phrase 2
POSITIVE
100%
Positif
0%
Neutre
0%
Négatif
Phrase 3
POSITIVE
100%
Positif
0%
Neutre
0%
Négatif
Phrase 4
POSITIVE
100%
Positif
0%
Neutre
0%
Négatif
Phrase 5
POSITIVE
100%
Positif
0%
Neutre
0%
Négatif
Phrase 6
NEUTRAL
0%
Positif
100%
Neutre
0%
Négatif
Phrase 7
NEGATIVE
0%
Positif
0%
Neutre
100%
Négatif
Phrase 8
POSITIVE
100%
Positif
0%
Neutre
0%
Négatif
Entités nommées: 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]
Entités PII: Type: Person
Value: John Doe

Type: URL
Value: www.contososteakhouse.com

Type: Phone Number
Value: 312-555-0176

Type: Email
Value: order@contososteakhouse.com

Entités liées: 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": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "detectedLanguages": [
          {
            "name": "English",
            "iso6391Name": "en",
            "score": 1.0
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2019-10-01"
  },
  "keyPhrases": {
    "documents": [
      {
        "id": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "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": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "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": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "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": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "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": "803d666c-63b4-4819-b2e4-2695fed904e7",
        "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"
  }
}

Identifier et classer les concepts importants

Classify a broad range of entities in text, such as people, places, organizations, date/time, and percentages, using named entity recognition. Detect and extract 100+ types of personally identifiable information (PII), including protected health information (PHI), in documents.

Extraire des phrases clés de texte non structuré

Évaluez et Identifiez rapidement les points principaux dans du texte non structuré. Obtenez la liste des expressions pertinentes décrivant le mieux l’objet de chaque enregistrement à l’aide d’une extraction de phrases clés. Extrayez et organisez facilement des informations pour comprendre des sujets et tendances importants.

Mieux comprendre la perception du client

Detect positive and negative sentiment in social media, customer reviews, and other sources to get a pulse on your brand. Use opinion mining to explore customers’ perception of aspects, such as specific attributes of products or services, in text.

Process unstructured medical data

Extract insights from unstructured clinical documents such as doctors’ notes, electronic health records, and patient intake forms using the health feature of Text Analytics (gated public preview). Recognize, classify, and determine relationships between medical concepts such as diagnosis, symptoms, and dosage and frequency of medication.

Detect language of your text

Evaluate text input in a wide range of languages, variants, and dialects using the language detection feature.

Déployer en tout lieu, du cloud à la périphérie

Exécutez Analyse de texte là où se trouvent vos données. Créez des applications optimisées pour offrir des fonctionnalités cloud robustes et opérer à la périphérie à l’aide de conteneurs.

Confidentialité et sécurité complètes

  • Vos données restent les vôtres. Microsoft n’utilise pas l’apprentissage effectué sur votre texte pour améliorer les modèles.
  • Choisissez où Cognitive Services traite vos données avec des conteneurs.
  • Adossée à l’infrastructure Azure, l’API Analyse de texte offre une sécurité, une disponibilité, une conformité et une facilité de gestion de classe Entreprise.

Bénéficiez de la puissance, du contrôle et de la personnalisation dont vous avez besoin grâce à une tarification flexible

  • Payez uniquement en fonction de votre utilisation, sans coût de démarrage.
  • Avec l’API Analyse de texte, vous payez en fonction du nombre de transactions.

Ressources de l’API Analyse de texte

Approuvé par des organisations de toutes tailles

KPMG simplifie l’analyse des fraudes

KPMG aide les institutions financières à économiser des millions de dollars en lien avec la conformité grâce à sa solution Customer Risk Analytics, qui détecte des modèles de texte et des mots clés spécifiques pour épingler des risques de conformité.

Lire le témoignage

KPMG

Wilson Allen unlocks insights from unstructured data

Wilson Allen created a powerful AI solution that can help law and professional services firms around the world find unprecedented levels of insight in previously siloed and unstructured data.

Lire le témoignage

Wilson Allen

IHC outille les ingénieurs du service

Royal IHC utilise le service Recherche cognitive Azure et l’API Analyse de texte pour décharger ses ingénieurs des tâches fastidieuses liées à la recherche manuelle de donnée dans des sources disparates, et leur fournir des informations sur leurs données tant structurées que non structurées.

Lire le témoignage

Royal IHC

LaLiga renforce l’implication des aficionados

LaLiga implique des centaines de millions de fans dans le monde entier avec un assistant numérique personnel, et utilise l’API Analyse de texte pour traiter des requêtes entrantes et déterminer les intentions des utilisateurs dans plusieurs langues.

Lire le témoignage

LaLiga

TIBCO brings root cause analysis to the edge

TIBCO is using Text Analytics and Anomaly Detector to detect and analyze anomalies—sudden changes in data patterns, discover root causes, and provides suggested actions.

Lire le témoignage

TIBCO

Kotak Mahindra Bank accélère la productivité

Kotak Asset Management transforme la gestion des services clients en activant des bots conversationnels facilitant l’analyse de la ligne d’objet, des informations client et du contenu du courrier afin d’identifier les sentiments et de déclencher la meilleure réaction possible.

Lire le témoignage

Kotak

Questions fréquentes sur Analyse de texte

  • L’API Analyse de texte détecte un vaste éventail de langues, de variantes et de langues régionales. Pour plus d’informations, consultez la documentation sur la prise en charge linguistique.
  • Non, les modèles sont préformés. Les opérations de scoring, d’extraction de phrases clés et de détection de la langue sont disponibles sur des données chargées. Pour créer et héberger des modèles personnalisés, explorez le service Language Understanding.
  • Oui. L’analyse des sentiments et l’extraction de phrases clés sont disponibles pour certaines langues, et vous pouvez demander des langues supplémentaires via le Forum consacré à l’Analyse de texte.
  • L’extraction de phrases clés élimine les mots non essentiels et les adjectifs isolés. Des combinaisons adjectif-nom, telles que « vues spectaculaires » ou « temps brumeux », sont renvoyées ensemble. En règle générale, la sortie est constituée de substantifs et d’objets de la phrase, répertoriés par ordre d’importance. L’importance d’un concept est mesurée au nombre de ses occurrences, ou à sa relation avec d’autres éléments dans le texte.
  • Les améliorations apportées à des modèles et algorithmes sont annoncées quand elles revêtent une importance majeure, ou simplement ajoutées au service lorsque leur importance est mineure. Au fil du temps, vous constaterez peut-être qu’une même entrée de texte engendre un score de sentiment ou une sortie de phrase clé différents. Il s’agit d’une conséquence normale et intentionnelle de l’utilisation de ressources d’apprentissage automatique dans le cloud.

Prise en main de l’API Analyse de texte