Tekstanalyser

En AI-tjeneste som avdekker innsikter som for eksempel følelse, enheter og nøkkelfraser i ustrukturert tekst

Trekk ut innsikt fra tekst

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.

Bred enhetsuttrekking

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

Effektiv sentimentanalyse

Undersøk hva kunder sier om ditt varemerke og oppdag følelser omkring spesifikke emner.

Robust deteksjon av språk

Evaluer inndatatekst i et stort spekter av språk.

Fleksibel distribusjon

Kjør tekstanalyse hvor som helst – i skyen, lokalt eller på kanten i containere.

  1. Analysert tekst
  2. JSON
Språk: English (sikkerhet: 100 %)
Nøkkelord: 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
Stemning:
Dokument
MIXED
86%
Positiv
0%
Nøytral
14%
Negativ
Setning 1
POSITIVE
99%
Positiv
1%
Nøytral
0%
Negativ
Setning 2
POSITIVE
100%
Positiv
0%
Nøytral
0%
Negativ
Setning 3
POSITIVE
100%
Positiv
0%
Nøytral
0%
Negativ
Setning 4
POSITIVE
100%
Positiv
0%
Nøytral
0%
Negativ
Setning 5
POSITIVE
100%
Positiv
0%
Nøytral
0%
Negativ
Setning 6
NEUTRAL
0%
Positiv
100%
Nøytral
0%
Negativ
Setning 7
NEGATIVE
0%
Positiv
0%
Nøytral
100%
Negativ
Setning 8
POSITIVE
100%
Positiv
0%
Nøytral
0%
Negativ
Navngitte entiteter: 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-enheter: Type: Person
Value: John Doe

Type: URL
Value: www.contososteakhouse.com

Type: Phone Number
Value: 312-555-0176

Type: Email
Value: order@contososteakhouse.com

Koblede entiteter: 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": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "detectedLanguages": [
          {
            "name": "English",
            "iso6391Name": "en",
            "score": 1.0
          }
        ]
      }
    ],
    "errors": [],
    "modelversion": "2019-10-01"
  },
  "keyPhrases": {
    "documents": [
      {
        "id": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "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": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "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": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "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": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "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": "942153a3-1d92-48c9-8af4-698d934cbb51",
        "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"
  }
}

Identifiser og kategoriser viktige konsepter

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.

Trekk ut nøkkelfraser i ustrukturert tekst

Evaluer og identifiser raskt hovedpunktene i en ustrukturert tekst. Få en liste over relevante uttrykk som best beskriver emnet for hver registrering ved å bruke uttrekking av nøkkelfraser. Hent og organiser informasjon på en enkel måte for å gi mening til viktige temaer og trender.

Forstå kundeoppfatning bedre

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.

Distribuer hvor som helst, fra skyen til kanten

Kjør tekstanalyse der hvor dataene dine befinner seg. Bygg programmer som er optimalisert for både robuste skyfunksjoner og kantplasseringer ved å bruke containere.

Omfattende personvern og sikkerhet

  • Dine data blir dine. Microsoft bruker ikke opplæringen som utføres på din tekst til å forbedre modellene.
  • Velg hvor kognitive tjenester prosesserer dine data med containere.
  • Tekstanalyse er støttet av Azure-infrastruktur og tilbyr derfor foretaksdimensjonert sikkerhet, tilgjengelighet, forskriftssamsvar og håndterbarhet.

Få kraften, kontrollen og tilpasningen du trenger, med fleksible priser

  • Betal bare for det du bruker – ingen forskuddskostnader.
  • Med tekstanalyse betaler du for forbruk basert på antall transaksjoner.

Anerkjent av selskaper av alle størrelser

KPMG strømlinjeformer svindelanalyser

KPMG hjelper finansinstitusjoner med å spare millioner i samsvarskostnader med sin tilpassede risikoanalyseløsning som oppdager spesifikke testmønstre og nøkkelord for å flagge samsvarsrisiko.

Les artikkelen

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.

Les artikkelen

Wilson Allen

IHC styrker tjenesteingeniører

Royal IHC bruker kognitivt søk og tekstanalyse fra Azure for å lette ingeniørene for tidkrevende manuelle datasøk på tvers av atskilte kilder og gir dem innsikt i sine strukturerte og ustrukturerte data.

Les artikkelen

Royal IHC

LaLiga øker engasjementet fra tilhengerne

LaLiga engasjerer flere hunder millioner fans over hele verden med en personlig digital assistent ved å bruke tekstanalyse til å prosessere innkommende forespørsler og bestemme brukernes hensikter på flere språk.

Les artikkelen

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.

Les artikkelen

TIBCO

Kotak Mahindra Bank akselererer produktiviteten

Kotak aktivastyring transformerer administrasjon av kundeservice ved å gjøre chatboter i stand til å analyserer emnefelt, kundeinformasjon og e-postinnhold på en enkel måte slik at de kan identifisere stemningen og utløse den påfølgende beste handlingen.

Les artikkelen

Kotak

Vanlige spørsmål om Tekstanalyser

  • Tekstanalyse oppdager et stort spekter av språk, varianter og dialekter. Se språkstøttedokumentasjonen for mer informasjon.
  • Nei, modellene er ikke forhåndstrent. Scoring, uttrekking av nøkkelfraser og språkoppfatningsdrift er tilgjengelig for opplastede data. Utforsk Language Understanding-tjenesten for å lage og drifte tilpassede modeller.
  • Ja. Stemningsanalyse og uttrekking av nøkkelfraser er tilgjengelig for et velg antall språk, og du kan be om ytterligere språk i Tekstanalyseforumet.
  • Uttrekking av nøkkelfraser utelukker mindre viktige ord og frittstående adjektiver. Kombinasjoner av adjektiv-substantiv som for eksempel «fantastisk utsikt» eller «tåkete vær» returneres sammen. Generelt består resultatet av substantiver og objekter i setningen og listes opp etter viktighet. Viktighet måles ved antall ganger et spesielt tema nevnes eller forholdet mellom det elementet og et annet element i teksten.
  • Forbedringer av modeller og algoritmer kunngjøres hvis endringen er alvorlig og legges til tjenesten hvis oppdateringen er liten. Over tid kan du oppleve av samme inndatatekst resulterer i en ulik følelses-score eller nøkkelfraser. Dette er en normal og villet konsekvens av å bruke administrert maskinlæringsressurser i skyen.

Komme i gang med tekstanalyse