本文為英文版的機器翻譯版本，如內容有任何歧義或不一致之處，概以英文版為準。

# 洞見
<a name="concepts-insights"></a>

Amazon Comprehend 可以分析文件或一組文件，以收集其相關見解。Amazon Comprehend 針對文件開發的一些洞見包括：
+ [實體](how-entities.md) – Amazon Comprehend 會傳回文件中識別的實體清單，例如人員、位置和位置。
+ [事件](how-events.md) – Amazon Comprehend 會偵測特定類型的事件和相關詳細資訊。
+ [金鑰片語](how-key-phrases.md) – Amazon Comprehend 會擷取出現在文件中的金鑰片語。例如，有關籃球遊戲的文件可能會傳回隊伍名稱、場地名稱和最終分數。
+ [個人身分識別資訊 (PII)](pii.md) – Amazon Comprehend 會分析文件，以偵測可識別個人身分的個人資料，例如地址、銀行帳戶號碼或電話號碼。
+ [主要語言](how-languages.md) – Amazon Comprehend 可識別文件中的主要語言。Amazon Comprehend 可以識別 100 種語言。
+ [情緒](how-sentiment.md) – Amazon Comprehend 決定文件的主要情緒。情緒可以是正面、中性、負面或混合。
+ [針對性情緒](how-targeted-sentiment.md) – Amazon Comprehend 決定文件中提及的特定實體情緒。每個提及的情緒可以是正面、中性、負面或混合。
+ [語法分析](how-syntax.md) – Amazon Comprehend 會剖析文件中的每個字詞，並決定該字詞的語音部分。例如，在「今天在西雅圖下雨」一句中，「它」被識別為代名詞，「下雨」被識別為動詞，而「西雅圖」被識別為適當的名詞。

# 實體
<a name="how-entities"></a>

*實體*是對真實世界物件的唯一名稱的文字參考，例如人物、地點和商業項目，以及對日期和數量等量值的精確參考。

例如，在文字中「John 於 2012 年移至 1313 Mockingbird 車道」，「John」可能辨識為 `PERSON`，「1313 Mockingbird 車道」可能辨識為 `LOCATION`，而「2012」可能辨識為 `DATE`。

每個實體也有分數，指出 Amazon Comprehend 正確偵測到實體類型的可信度。您可以篩選分數較低的實體，以降低使用不正確偵測的風險。

下表列出實體類型。


| Type | 說明 | 
| --- | --- | 
|  COMMERCIAL\$1ITEM  | 品牌產品 | 
|  DATE  | 完整日期 （例如 11/25/2017)、天 （星期二）、月 （五月） 或時間 （上午 8：30) | 
|  EVENT  | 活動，例如節日、音樂會、選舉等。 | 
|  LOCATION  | 特定位置，例如國家/地區、城市、湖泊、建築物等。 | 
|  組織  | 大型組織，例如政府、公司、宗教、運動隊伍等。 | 
|  OTHER  | 不符合任何其他實體類別的實體 | 
|  人員  | 個人、人物群組、暱稱、虛構角色 | 
|  數量  | 量化金額，例如貨幣、百分比、數字、位元組等。 | 
|  標題  | 提供給任何創作或創意作品的官方名稱，例如電影、書籍、歌曲等。 | 

您可以使用 Amazon Comprehend 支援的任何主要語言來執行偵測實體操作。這只包含預先定義的 （非自訂） 實體偵測。所有文件都必須使用相同的語言。

您可以使用下列任何 API 操作來偵測文件或一組文件中的實體。
+ [DetectEntities](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_DetectEntities.html)
+  [BatchDetectEntities](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_BatchDetectEntities.html)
+  [StartEntitiesDetectionJob](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_StartEntitiesDetectionJob.html)

操作會傳回 [API 實體](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_Entity.html)物件的清單，文件中每個實體各一個。`BatchDetectEntities` 操作會傳回`Entity`物件清單，即批次中每個文件的清單。`StartEntitiesDetectionJob` 操作會啟動非同步任務，產生包含任務中每個文件`Entity`物件清單的檔案。

下列範例是來自 `DetectEntities`操作的回應。

```
{
    "Entities": [
        {
            "Text": "today",
            "Score": 0.97,
            "Type": "DATE",
            "BeginOffset": 14,
            "EndOffset": 19
        },
        {
            "Text": "Seattle",
            "Score": 0.95,
            "Type": "LOCATION",
            "BeginOffset": 23,
            "EndOffset": 30
        }
    ],
    "LanguageCode": "en"
}
```

# 事件
<a name="how-events"></a>

**注意**  
自 2026 年 4 月 30 日起，新客戶將不再使用 Amazon Comprehend 主題建模、事件偵測和提示安全分類功能。如果您想要將這些功能與新帳戶搭配使用，請在此日期之前執行此操作。在過去 12 個月內使用這些功能的帳戶不需要採取任何動作。如需詳細資訊，請參閱[Amazon Comprehend 功能可用性變更](comprehend-availability-change.md)。

使用*事件偵測*來分析特定類型事件及其相關實體的文字文件。Amazon Comprehend 支援使用非同步分析任務跨大型文件集合進行事件偵測。如需事件的詳細資訊，包括範例事件分析任務，請參閱[宣布推出 Amazon Comprehend Events ](https://aws.amazon.com/blogs/machine-learning/announcing-the-launch-of-amazon-comprehend-events/)

## 實體
<a name="how-events-entities"></a>

從輸入文字中，Amazon Comprehend 會擷取與偵測到的事件相關的實體清單。*實體*可以是真實世界的物件，例如人物、地點或位置；實體也可以是概念，例如測量、日期或數量。實體每次出現都會透過*提及*來識別，這是輸入文字中實體的文字參考。對於每個唯一的實體，所有提及項目都會分組到清單中。此清單提供實體發生之輸入文字中每個位置的詳細資訊。Amazon Comprehend 只會偵測與支援的事件類型相關聯的實體。

與支援的事件類型相關聯的每個實體都會傳回下列相關詳細資訊：
+ **提及**：輸入文字中每次出現相同實體的詳細資訊。
  + **BeginOffset**：輸入文字中的字元位移，顯示提及開始的位置 （第一個字元位於位置 0)。
  + **EndOffset**：輸入文字中顯示提及結束位置的字元位移。
  + **分數**：Amazon Comprehend 對實體類型準確性的可信度。
  + **GroupScore**：來自 Amazon Comprehend 的可信度層級，指出該提及項目已正確分組為相同實體的其他提及項目。
  + **文字**：實體的文字。
  + **類型**：實體的類型。如需所有支援的實體類型，請參閱 [實體類型](#events-entity-types)。

## 事件
<a name="how-events-output"></a>

Amazon Comprehend 會傳回在輸入文字中偵測到的事件清單 （支援的事件類型）。每個事件會傳回下列相關詳細資訊：
+ **類型**：事件的類型。如需所有支援的事件類型，請參閱 [Event types (事件類型)](#events-types)。
+ **引數**：與偵測到的事件相關的引數清單。*引數*包含與偵測到的事件相關的實體。引數的角色描述關係，例如執行*動作**的人員*、*時間和地點***。
  + **EntityIndex**：從 Amazon Comprehend 為此分析傳回的實體清單中識別實體的索引值。
  + **角色**：引數類型，描述此引數的實體與事件的關係。如需所有支援的引數類型，請參閱 [引數類型](#events-argument-types)。
  + **分數**：Amazon Comprehend 對角色偵測準確性的可信度。
+ **觸發條件**：偵測到事件的觸發條件清單。*觸發*是表示事件發生的單一單字或片語。
  + **BeginOffset**：輸入文字中的字元位移，顯示觸發開始的位置 （第一個字元位於位置 0)。
  + **EndOffset**：輸入文字中的字元位移，顯示觸發程序結束的位置。
  + **分數**：Amazon Comprehend 對偵測準確性的可信度。
  + **文字**：觸發條件的文字。
  + **GroupScore**：來自 Amazon Comprehend 的可信度層級，該觸發條件已正確分組為相同事件的其他觸發條件。
  + **類型**：此觸發器指示的事件類型。

## 偵測事件結果格式
<a name="how-events-results"></a>

當您的事件偵測任務完成時，Amazon Comprehend 會將分析結果寫入您在啟動任務時指定的 Amazon S3 輸出位置。

對於每個偵測到的事件，輸出會以下列格式提供詳細資訊：

```
{
   "Entities": [
     {
       "Mentions": [
         {
           "BeginOffset": number,
           "EndOffset": number,
           "Score": number,
           "GroupScore": number,
           "Text": "string",
           "Type": "string"
         }, ...
       ]    
     }, ...
   ],
   "Events": [
     {
       "Type": "string",
       "Arguments": [
         {                   
           "EntityIndex": number,   
           "Role": "string",
           "Score": number
         }, ...
       ],
       "Triggers": [
         {
           "BeginOffset": number,
           "EndOffset": number,
           "Score": number,
           "Text": "string",
           "GroupScore": number,
           "Type": "string"
         }, ...
       ]
     }, ...
   ]
 }
```

## 實體、事件和引數支援的類型
<a name="events-reference-types"></a>

### 實體類型
<a name="events-entity-types"></a>


| Type | 說明 | 
| --- | --- | 
| DATE | 日期或時間的任何參考，無論是特定或一般。 | 
| 設施 | 建築物、機場、高速公路、橋樑和其他永久的人工結構和房地產改善。 | 
| LOCATION | 實體位置，例如街道、城市、州、國家/地區、水域或地理座標。 | 
| MONETARY\$1VALUE | 以美元或其他貨幣為單位的物件值。值可以是特定或近似值。 | 
| 組織 | 由已建立的組織結構定義的公司和其他人員群組。 | 
| 人員 | 個人或虛構角色的名稱或暱稱。 | 
| PERSON\$1TITLE | 描述人員的任何標題，通常為僱用類別 （例如 CEO) 或榮譽 （例如 Mr.)。 | 
| 數量 | 數字或值和測量單位。 | 
| STOCK\$1CODE | 股票代號，例如 AMZN、國際股票識別號碼 (ISIN)、統一股票識別程序委員會 (CUSIP) 或股票交易所每日官方清單 (SEDOL)。 | 

### Event types (事件類型)
<a name="events-types"></a>


| Type | 說明 | 
| --- | --- | 
| 銀行RUPTCY | 涉及個人或公司無法償還未償還債務的法律程序。 | 
| 僱用 | 當員工被僱用、被解僱、淘汰或以其他方式變更僱用狀態時發生。 | 
| CORPORATE\$1ACQUISTION | 當公司取得大部分或所有其他公司的股票或實體資產，以取得該公司的控制權時，便會發生。 | 
| INVESTMENT\$1GENERAL | 當個人或公司購買資產時，可能會產生未來的收入或收益。 | 
| CORPORATE\$1MERGER | 當兩個或多個公司聯合建立新法人實體時發生。 | 
| IPO | 在新的股票發行中，向公眾公開發行私有公司股票的初始公開發行 (IPO)。 | 
| RIGHTS\$1ISSUE | 提供給現有利益相關者以購買額外股票的一組權利，稱為訂閱授權，與其現有持分成比例。 | 
| SECONDARY\$1OFFERING | 公司利益相關者提供的有價證券。 | 
| SHELF\$1OFFERING | 一種美國證交會 (SEC) 條款，可讓發行者註冊新的安全問題，並在一段時間內銷售部分問題，而不會重新註冊安全或產生懲罰。也稱為層架註冊。 | 
| TENDER\$1OFFERING | 提議購買公司部分或全部的利害關係人股票。 | 
| STOCK\$1SPLIT | 當公司的董事會透過發行更多股票給目前的利益相關者來增加未結的股票數量時，便會發生。此事件也適用於反向股票分割。 | 

### 引數類型
<a name="events-argument-types"></a>


**BANKRUPTCY 的引數類型**  

| 引數類型 | Description | 
| --- | --- | 
| FILER | 提交該通劵的人員或公司。 | 
| DATE | 暫停的日期或時間。 | 
| 位置 | 發生 （或最接近該位置） 取消的位置或設施。 | 


**EMPLOYMENT 的引數類型**  

| Type | 說明 | 
| --- | --- | 
| 員工 | 公司僱用的人員。 | 
| EMPLOYEE\$1TITLE | 員工的標題。 | 
| 員工 | 僱用該員工的人員或公司。 | 
| START\$1DATE | 僱用的開始日期或時間。 | 
| END\$1DATE | 僱用的結束日期或時間。 | 


**CORPORATE\$1ACQUISTION、INVESTMENT\$1GENERAL 的引數類型**  

| Type | 說明 | 
| --- | --- | 
| AMOUNT | 與交易相關聯的貨幣值。 | 
| INVESTEE | 與投資相關聯的個人或公司。 | 
| INVESTOR | 投資資產的人員或公司。 | 
| DATE | 取得或投資的日期或時間。 | 
| 位置 | （或最接近） 進行取得或投資的位置。 | 


**CORPORATE\$1MERGER 的引數類型**  

| Type | 說明 | 
| --- | --- | 
| DATE | 合併的日期或時間。 | 
| 新公司 | 合併所產生的新法人實體。 | 
| 參與者 | 參與合併的公司。 | 


**IPO、RIGHTS\$1ISSUE、SecCONDARY\$1OFFERING、SHELF\$1OFFERING、TENDER\$1OFFERING 的引數類型**  

| Type | 說明 | 
| --- | --- | 
| EXPIRE\$1DATE | 優惠的過期日期或時間。 | 
| INVESTOR | 投資資產的人員或公司。 | 
| 優惠 | 接收優惠的人員或公司。 | 
| OFFERING\$1AMOUNT | 與方案相關聯的貨幣值。 | 
| OFFERING\$1DATE | 方案的日期或時間。 | 
| 優惠 | 啟動方案的人員或公司。 | 
| OFFEROR\$1TOTAL\$1VALUE | 與方案相關聯的貨幣總值。 | 
| RECORD\$1DATE | 方案的記錄日期或時間。 | 
| SELLING\$1AGENT | 協助銷售優惠的人員或公司。 | 
| SHARE\$1PRICE | 與股票價格相關聯的貨幣價值。 | 
| SHARE\$1QUANTITY | 與方案相關聯的共用數目。 | 
| 編寫者 | 與產品承銷相關聯的公司。 | 


**STOCK\$1SPLIT 的引數類型**  

| Type | 說明 | 
| --- | --- | 
| 公司 | 發行股票分割份額的公司。 | 
| DATE | 股票分割的日期或時間。 | 
| SPLIT\$1RATIO | 增加的已發行新股票數量與股票分割之前目前股票數量的比率。 | 

# 金鑰片語
<a name="how-key-phrases"></a>

*金鑰片語*是字串，其中包含描述特定物件的名詞片語。它通常由名詞和區別它的修飾詞組成。例如，「日」是名詞；「美日」是包含文章 (「a」) 和形容詞 (「美」) 的名詞片語。每個金鑰片語都包含一個分數，指出 Amazon Comprehend 對字串是名詞片語的可信度。您可以使用 分數來判斷偵測是否對您的應用程式具有足夠的可信度。

可以使用 Amazon Comprehend 支援的任何主要語言來執行偵測金鑰片語操作。所有文件都必須使用相同的語言。

您可以使用下列任何操作來偵測文件或一組文件中的金鑰片語。
+ [DetectKeyPhrases](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_DetectKeyPhrases.html)
+  [BatchDetectKeyPhrases](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_BatchDetectKeyPhrases.html)
+  [StartKeyPhrasesDetectionJob](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_StartKeyPhrasesDetectionJob.html)

操作會傳回 [KeyPhrase](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_KeyPhrase.html) 物件的清單，文件中每個金鑰片語各一個。`BatchDetectKeyPhrases` 操作會傳回`KeyPhrase`物件清單，一個用於批次中的每個文件。`StartKeyPhrasesDetectionJob` 操作會啟動非同步任務，產生包含任務中每個文件`KeyPhrase`物件清單的檔案。

下列範例是來自 `DetectKeyPhrases`操作的回應。

```
{
    "LanguageCode": "en",
    "KeyPhrases": [
        {
            "Text": "today",
            "Score": 0.89,
            "BeginOffset": 14,
            "EndOffset": 19
        },
        {
            "Text": "Seattle",
            "Score": 0.91,
            "BeginOffset": 23,
            "EndOffset": 30
        }
    ]
}
```

# 主要語言
<a name="how-languages"></a>

您可以使用 Amazon Comprehend 來檢查文字，以判斷慣用語言。Amazon Comprehend 使用 RFC 5646 的識別符來識別語言，如果有 2 個字母的 ISO 639-1 識別符，並在必要時使用區域子標籤。否則，它會使用 ISO 639-2 3 字母代碼。

如需 RFC 5646 的詳細資訊，請參閱 *IETF 工具*網站上的[識別語言的標籤](https://tools.ietf.org/html/rfc5646)。

回應包含分數，指出 Amazon Comprehend 對特定語言是文件中主要語言的可信度等級。每個分數與其他分數無關。分數不表示語言構成文件的特定百分比。

如果長文件 （例如書籍） 包含多種語言，您可以將長文件分成較小的部分，並在個別部分上執行 `DetectDominantLanguage`操作。然後，您可以彙總結果，以判斷較長文件中每種語言的百分比。

Amazon Comprehend 語言偵測具有下列限制：
+ 它不支援音標語言偵測。例如，它不會將 "a Pumpto" 偵測為日文，也不會將 "nihao" 偵測為中文。
+ 它可能有區分近語配對的差異，例如印尼文和馬來文；或波士尼亞文、克羅埃西亞文和塞爾維亞文。
+ 為了獲得最佳結果，請提供至少 20 個字元的輸入文字。

Amazon Comprehend 會偵測下列語言。


| Code | Language | 
| --- | --- | 
| af | 南非荷蘭文 | 
| am | 阿姆哈拉文 | 
| ar | Arabic | 
| as | 阿薩姆文 | 
| az | 亞塞拜然文 | 
| ba | 巴什基爾文 | 
| be | 白俄羅斯文 | 
| bn | 孟加拉文 | 
| bs | 波士尼亞文 | 
| bg | 保加利亞文 | 
| ca | 加泰隆尼亞文 | 
| ceb | 宿霧文 | 
| cs | 捷克文 | 
| cv | Chuvash | 
| cy | 威爾斯文 | 
| da | 丹麥文 | 
| de | 德文 | 
| el | Greek | 
| en | 英文 | 
| eo | 世界文 | 
| et | Estonian | 
| eu | 巴斯克文 | 
| fa | 波斯文 | 
| fi | 芬蘭文 | 
| fr | 法文 | 
| gd | 蘇格蘭蓋爾文 | 
| ga | 愛爾蘭文 | 
| gl | 加利西亞文 | 
| gu | 古吉拉特文 | 
| ht | 海地文 | 
| he | Hebrew | 
| ha | 豪沙文 | 
| hi | 北印度文 | 
| hr | 克羅埃西亞文 | 
| hu | 匈牙利文 | 
| hy | 亞美尼亞文 | 
| ilo | Iloko | 
| id | 印尼文 | 
| is | 冰島文 | 
| it | 義大利文 | 
| jv | 爪哇文 | 
| ja | 日文 | 
| kn | 坎那達文 | 
| ka | 喬治亞文 | 
| kk | 哈薩克文 | 
| km | 中高棉 | 
| ky | 吉爾吉斯文 | 
| ko | 韓文 | 
| ku | 庫德文 | 
| lo | 寮文 | 
| la | 拉丁文 | 
| lv | 拉脫維亞文 | 
| lt | 立陶宛文 | 
| lb | 盧森堡文 | 
| ml | 馬來亞拉姆文 | 
| mt | 馬爾他文 | 
| mr | 馬拉地文 | 
| mk | 馬其頓文 | 
| mg | 馬拉加斯文 | 
| mn | Mongolian | 
| ms | 馬來文 | 
| my | 緬甸文 | 
| ne | 尼泊爾文 | 
| new | Newari | 
| nl | 荷蘭文 | 
| no | 挪威文 | 
| or | 奧裡雅文 | 
| om | Oromo | 
| pa | 旁遮普文 | 
| pl | Polish | 
| pt | 葡萄牙文 | 
| ps | 普什圖文 | 
| qu | 魁北亞 | 
| ro | 羅馬尼亞文 | 
| ru | 俄文 | 
| sa | 梵文 | 
| si | 僧伽羅文 | 
| sk | 斯洛伐克文 | 
| sl | 斯洛維尼亞文 | 
| sd | 信德文 | 
| so | 索馬利亞文 | 
| es | 西班牙文 | 
| sq | 阿爾巴尼亞文 | 
| sr | 塞爾維亞文 | 
| su | 巽他文 | 
| sw | 史瓦西里文 | 
| sv | 瑞典文 | 
| ta | 坦米爾文 | 
| tt | 韃靼語 | 
| te | 特拉古 | 
| tg | 塔吉克文 | 
| tl | 他加祿文 | 
| th | Thai | 
| tk | 土庫曼文 | 
| tr | Turkish | 
| ug | 維吾爾文 | 
| uk | 烏克蘭文 | 
| ur | 烏都文 | 
| uz | 烏茲別克文 | 
| vi | 越南文 | 
| yi | 意第緒文 | 
| yo | 優魯巴文 | 
| zh | 簡體中文 | 
| zh-TW | 繁體中文 | 

您可以使用下列任何操作來偵測文件或一組文件中的主要語言。
+  [DetectDominantLanguage](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_DetectDominantLanguage.html)
+  [BatchDetectDominantLanguage](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_BatchDetectDominantLanguage.html)
+  [StartDominantLanguageDetectionJob](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_StartDominantLanguageDetectionJob.html)

`DetectDominantLanguage` 操作會傳回 [DominantLanguage](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_DominantLanguage.html) 物件。`BatchDetectDominantLanguage` 操作會傳回`DominantLanguage`物件清單，一個用於批次中的每個文件。`StartDominantLanguageDetectionJob` 操作會啟動非同步任務，該任務會產生包含`DominantLanguage`物件清單的檔案，每個文件各一個。

下列範例是來自 `DetectDominantLanguage`操作的回應。

```
{
    "Languages": [
        {
            "LanguageCode": "en",
            "Score": 0.9793661236763
        }
    ]
}
```

# 情緒
<a name="how-sentiment"></a>

使用 Amazon Comprehend 來判斷 UTF-8 編碼文字文件中內容的情緒。例如，您可以使用情緒分析來判斷部落格文章評論的情緒，以判斷讀者是否喜歡該文章。

您可以判斷 Amazon Comprehend 支援的任何主要語言的文件情緒。一個任務中的所有文件都必須使用相同的語言。

情緒判斷會傳回下列值：
+ **正面** – 文字表達整體正面情緒。
+ **負面** – 文字表達整體負面情緒。
+ **混合** – 文字同時表達正面和負面情緒。
+ **中立** – 文字不會表達正面或負面情緒。

您可以使用下列任何 API 操作來偵測文件或一組文件的情緒。
+ [DetectSentiment](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_DetectSentiment.html)
+  [BatchDetectSentiment](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_BatchDetectSentiment.html)
+  [StartSentimentDetectionJob](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_StartSentimentDetectionJob.html)

操作會傳回文字最有可能的情緒，以及每個情緒的分數。分數代表正確偵測到的情緒的可能性。例如，在以下範例中，文字可能有 95% 的`Positive`情緒。文字具有`Negative`情緒的可能性不到 1%。您可以使用 `SentimentScore`來判斷偵測的準確性是否符合應用程式的需求。

`DetectSentiment` 操作會傳回物件，其中包含偵測到的情緒和[SentimentScore](https://docs.aws.amazon.com/comprehend/latest/APIReference/API_SentimentScore.html)物件。`BatchDetectSentiment` 操作會傳回情緒和`SentimentScore`物件的清單，批次中每個文件各一個。`StartSentimentDetectionJob` 操作會啟動非同步任務，該任務會產生包含情緒和`SentimentScore`物件清單的檔案，每個文件各一個。

下列範例是來自 `DetectSentiment`操作的回應。

```
{
"SentimentScore": {
        "Mixed": 0.030585512690246105,
        "Positive": 0.94992071056365967,
        "Neutral": 0.0141543131828308,
        "Negative": 0.00893945890665054
    },
    "Sentiment": "POSITIVE",
    "LanguageCode": "en"
}
```

# 以目標為目標的情緒
<a name="how-targeted-sentiment"></a>

*針對性情緒*可讓您精確了解輸入文件中與特定實體 （例如品牌或產品） 相關聯的情緒。

目標情緒和[情緒](how-sentiment.md)之間的差異是輸出資料中的精細程度。情緒分析會決定每個輸入文件的主要情緒，但不會提供資料以供進一步分析。目標化情緒分析會決定每個輸入文件中特定實體的實體層級情緒。您可以分析輸出資料，以判斷獲得正面或負面意見回饋的特定產品和服務。

例如，在一組餐廳評論中，客戶提供以下評論：「墨西哥捲餅好吃且員工友善。」 此檢閱的分析會產生下列結果：
+ **情緒分析**會決定每個餐廳評論的整體情緒是正面、負面、中性還是混合。在此範例中，整體情緒為正面。
+ **針對性情緒分析**會決定客戶在評論中提及之餐廳實體和屬性的情緒。在此範例中，客戶對 “tacos” 和 “staff” 做出正面評論。

針對性情緒為每個分析任務提供下列輸出：
+ 文件中所提及實體的身分。
+ 提及的每個實體的實體類型分類。
+ 提及的每個實體的情緒和情緒分數。
+ 對應至單一實體的提及群組 （共同參考群組）。

您可以使用 [主控台](get-started-console.md)或 [API](using-api-targeted-sentiment.md) 來執行目標情緒分析。主控台和 API 支援針對目標情緒的即時分析和非同步分析。

 Amazon Comprehend 支援英文文件的目標情緒。

如需目標情緒的其他資訊，包括教學課程，請參閱 AWS 機器學習部落格中的[使用 Amazon Comprehend 目標情緒擷取文字中的精細情緒](https://aws.amazon.com/blogs/machine-learning/extract-granular-sentiment-in-text-with-amazon-comprehend-targeted-sentiment/)。

**Topics**
+ [實體類型](#how-targeted-sentiment-entities)
+ [共同參考群組](#how-targeted-sentiment-values)
+ [輸出檔案組織](#how-targeted-sentiment-output)
+ [使用主控台進行即時分析](#how-targeted-sentiment-console)
+ [目標情緒輸出範例](#how-targeted-sentiment-example)

## 實體類型
<a name="how-targeted-sentiment-entities"></a>

目標情緒可識別下列實體類型。如果實體不屬於任何其他類別，則會指派其他實體類型。輸出檔案中提及的每個實體都包含實體類型，例如 `"Type": "PERSON"`。


**實體類型定義**  

| 實體類型 | 定義 | 
| --- | --- | 
| 人員 | 範例包括個人、一群人、暱稱、虛構角色和動物名稱。 | 
| LOCATION | 地理位置，例如國家、城市、州、地址、地質結構、水域、自然地標和天文位置。 | 
| 組織 | 範例包括政府、公司、運動隊伍和宗教。 | 
| 設施 | 建築物、機場、高速公路、橋樑和其他永久的人工結構和房地產改善。 | 
| 品牌 | 特定商業項目或產品系列的組織、群組或生產者。 | 
| COMMERCIAL\$1ITEM | 任何非一般可購買或可購買的項目，包括 車輛，以及只產生一個項目的大型產品。 | 
| MOVIE | 電影或電視節目。實體可以是全名、暱稱或字幕。 | 
| 音樂 | 完整或部分歌曲。此外，還有個別音樂創作的集合，例如專輯或 Anthology。 | 
| 預訂 | 以專業或自行發佈的書籍。 | 
| 軟體 | 正式發行的軟體產品。 | 
| GAME | 遊戲，例如電玩遊戲、棋盤遊戲、常見遊戲或運動。 | 
| Personal\$1TITLE | 官方標題和榮譽，例如 會長、PhD 或 Dr. | 
| EVENT | 範例包括節日、音樂會、選舉、戰鬥、會議和促銷活動。 | 
| DATE | 日期或時間的任何參考，無論是特定或一般，無論是絕對或相對。 | 
| 數量 | 所有測量及其單位 （貨幣、百分比、數字、位元組等）。 | 
| ATTRIBUTE | 實體的屬性、特性或特徵，例如產品的「品質」、手機的「價格」或 CPU 的「速度」。 | 
| OTHER | 不屬於任何其他類別的實體。 | 

## 共同參考群組
<a name="how-targeted-sentiment-values"></a>

以目標為目標的情緒會識別每個輸入文件中的共同參考群組。共同參考群組是在對應至一個真實世界實體的文件中的一組提及。

**Example**  
在下列客戶審核範例中，「spa」是實體，其實體類型為 `FACILITY`。實體還有兩個額外提及的代名詞 (「it」)。  

![\[目標情緒共同參考群組。\]](http://docs.aws.amazon.com/zh_tw/comprehend/latest/dg/images/gs-console-targeted-sentiment4.png)


## 輸出檔案組織
<a name="how-targeted-sentiment-output"></a>

目標情緒分析任務會建立 JSON 文字輸出檔案。檔案包含每個輸入文件的一個 JSON 物件。每個 JSON 物件都包含下列欄位：
+ **實體** – 文件中找到的實體陣列。
+ **檔案** – 輸入文件的檔案名稱。
+ **行** – 如果輸入檔案是每行一個文件，**實體**會包含檔案中文件的行號。

**注意**  
如果目標情緒無法識別輸入文字中的任何實體，則會傳回空陣列做為實體結果。

下列範例顯示具有三行輸入之輸入檔案的**實體**。輸入格式為 **ONE\$1DOC\$1PER\$1LINE**，因此每行輸入都是文件。

```
{ "Entities":[
    {entityA},
    {entityB},
    {entityC}
    ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 0
}
{ "Entities": [
    {entityD},
    {entityE}
  ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 1
}
{ "Entities": [
    {entityF},
    {entityG}
    ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 2
}
```



**實體**陣列中的實體包含文件中偵測到之實體提及的邏輯分組 （稱為共同參考群組）。每個實體的整體結構如下：

```
{"DescriptiveMentionIndex": [0],
  "Mentions": [
     {mentionD},
     {mentionE}
    ]
}
```

實體包含下列欄位：
+ **提及** – 文件中提及實體的陣列。陣列代表共同參考群組。如需範例，請參閱[共同參考群組](#how-targeted-sentiment-values)。提及陣列中提及的順序是文件中其位置 （偏移） 的順序。每個提及都包含該提及的情緒分數和群組分數。群組分數表示這些提及屬於相同實體的可信度等級。
+ **DescriptiveMentionIndex** – 一或多個索引到提供實體群組最佳名稱的提及陣列中。例如，實體可以有三個提及**文字**值「ABC 飯店」、「ABC 飯店」和「it」。最佳名稱是「ABC 飯店」，其 DescriptiveMentionIndex 值為 【0，1】。

每個提及都包含下列欄位
+ **BeginOffset** – 偏移至提及開始的文件文字。
+ **EndOffset** – 偏移至提及結束的文件文字。
+ **GroupScore** – 群組中提及的所有實體都與相同實體相關聯的可信度。
+ **文字** – 文件中識別實體的文字。
+ **類型** – 實體的類型。Amazon Comprehend 支援各種[實體類型](#how-targeted-sentiment-entities)。
+ **分數** – 建立實體相關的模型可信度。值範圍為零到一，其中一為最高可信度。
+ **MentionSentiment** – 包含提及的情緒和情緒分數。
+ **情緒** – 提及的情緒。值包括：POSITIVE、NEUTRAL、NEGATIVE 和 MIXED。
+ **SentimentScore** – 為每個可能情緒提供模型可信度。值範圍為零到一，其中一為最高可信度。

**情緒**值的意義如下：
+ **正面** – 提及的實體表達正面情緒。
+ **負面** – 提及的實體表達負面情緒。
+ **混合** – 提及的實體同時表達正面和負面情緒。
+ **中立** – 提及的實體不會表達正面或負面情緒。

在下列範例中，實體在輸入文件中只有一個提及，因此 DescriptiveMentionIndex 為零 （在提及陣列中的第一個提及）。已識別的實體是名稱為「I」的 PERSON。 情緒分數為中性。

```
{"Entities":[
  {
    "DescriptiveMentionIndex": [0],
    "Mentions": [
      {
       "BeginOffset": 0,
       "EndOffset": 1,
       "Score": 0.999997,
       "GroupScore": 1,
       "Text": "I",
       "Type": "PERSON",
       "MentionSentiment": {
         "Sentiment": "NEUTRAL",
         "SentimentScore": {
           "Mixed": 0,
           "Negative": 0,
           "Neutral": 1,
           "Positive": 0
         }
       }
     }
   ]
  }
 ],
 "File": "Input.txt",
 "Line": 0
}
```

## 使用主控台進行即時分析
<a name="how-targeted-sentiment-console"></a>

您可以使用 Amazon Comprehend 主控台[以目標為目標的情緒](realtime-console-analysis.md#realtime-analysis-console-targeted-sentiment)即時執行。使用範例文字或將您自己的文字貼到輸入文字方塊中，然後選擇**分析**。

在 **Insights** 面板中，主控台會顯示目標情緒分析的三個檢視：
+ **分析的文字** – 顯示分析的文字並強調每個實體。底線的顏色表示分析指派給實體的情緒值 （正面、中性、負面或混合）。主控台會在警示文字方塊的右上角顯示顏色映射。如果您將游標暫留在實體上，主控台會顯示快顯面板，其中包含實體的分析值 （實體類型、情緒分數）。
+ **結果** – 顯示包含文字中指出的每個實體一列的資料表。對於每個實體，資料表會顯示[實體](#how-targeted-sentiment-entities)和實體分數。該列也包含主要情緒和每個情緒值的分數。如果有多個提及的相同實體，稱為 [共同參考群組](#how-targeted-sentiment-values)，則資料表會將這些提及顯示為與主要實體相關聯的可摺疊資料列集。

  如果您將滑鼠暫留在**結果**表格中的實體列上，主控台會反白**分析文字**面板中提到的實體。
+ **應用程式整合** – 顯示 API 請求的參數值，以及在 API 回應中傳回的 JSON 物件結構。如需 JSON 物件中欄位的說明，請參閱 [輸出檔案組織](#how-targeted-sentiment-output)。

### 主控台即時分析範例
<a name="targeted-sentiment-example"></a>

此範例使用下列文字做為輸入，這是主控台提供的預設輸入文字。

```
Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card account 1111-0000-1111-0008 has a minimum payment 
  of $24.53 that is due by July 31st. Based on your autopay settings, we will withdraw your payment on the due date from your 
  bank account number XXXXXX1111 with the routing number XXXXX0000. 
  Customer feedback for Sunshine Spa, 123 Main St, Anywhere. Send comments to Alice at sunspa@mail.com. 
  I enjoyed visiting the spa. It was very comfortable but it was also very expensive. The amenities were ok but the service made 
  the spa a great experience.
```

**分析的文字**面板會顯示此範例的下列輸出。將滑鼠暫留在文字上`Zhang Wei`，以檢視此實體的快顯面板。

![\[目標情緒分析文字。\]](http://docs.aws.amazon.com/zh_tw/comprehend/latest/dg/images/gs-console-targeted-sentiment2.png)


**結果**表格提供每個實體的其他詳細資訊，包括實體分數、主要情緒和每個情緒的分數。

![\[目標情緒結果資料表。\]](http://docs.aws.amazon.com/zh_tw/comprehend/latest/dg/images/gs-console-targeted-sentiment3.png)


在我們的範例中，目標情緒分析會辨識輸入文字中每個提及**您的** ，都是個人實體 **Zhang Wei** 的參考。主控台會將這些提及項目顯示為一組與主要實體相關聯的可摺疊資料列。

![\[目標情緒結果資料表。\]](http://docs.aws.amazon.com/zh_tw/comprehend/latest/dg/images/gs-console-targeted-sentiment5.png)


**應用程式整合**面板會顯示 DetectTargetedSentiment API 產生的 JSON 物件。如需完整範例，請參閱下一節。

## 目標情緒輸出範例
<a name="how-targeted-sentiment-example"></a>

下列範例顯示目標情緒分析任務的輸出檔案。輸入檔案包含三個簡單的文件：

```
The burger was very flavorful and the burger bun was excellent. However, customer service was slow.
My burger was good, and it was warm. The burger had plenty of toppings.
The burger was cooked perfectly but it was cold. The service was OK.
```

此輸入檔案的目標情緒分析會產生下列輸出。

```
  {"Entities":[
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 4,
          "EndOffset": 10,
          "Score": 0.999991,
          "GroupScore": 1,
          "Text": "burger",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0,
              "Neutral": 0,
              "Positive": 1
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 38,
          "EndOffset": 44,
          "Score": 1,
          "GroupScore": 1,
          "Text": "burger",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "NEUTRAL",
            "SentimentScore": {
              "Mixed": 0.000005,
              "Negative": 0.000005,
              "Neutral": 0.999591,
              "Positive": 0.000398
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 45,
          "EndOffset": 48,
          "Score": 0.961575,
          "GroupScore": 1,
          "Text": "bun",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0.000327,
              "Negative": 0.000286,
              "Neutral": 0.050269,
              "Positive": 0.949118
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 73,
          "EndOffset": 89,
          "Score": 0.999988,
          "GroupScore": 1,
          "Text": "customer service",
          "Type": "ATTRIBUTE",
          "MentionSentiment": {
            "Sentiment": "NEGATIVE",
            "SentimentScore": {
              "Mixed": 0.000001,
              "Negative": 0.999976,
              "Neutral": 0.000017,
              "Positive": 0.000006
            }
          }
        }
      ]
    }
  ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 0
}
{
  "Entities": [
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 0,
          "EndOffset": 2,
          "Score": 0.99995,
          "GroupScore": 1,
          "Text": "My",
          "Type": "PERSON",
          "MentionSentiment": {
            "Sentiment": "NEUTRAL",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0,
              "Neutral": 1,
              "Positive": 0
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0,
        2
      ],
      "Mentions": [
        {
          "BeginOffset": 3,
          "EndOffset": 9,
          "Score": 0.999999,
          "GroupScore": 1,
          "Text": "burger",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0.000002,
              "Negative": 0.000001,
              "Neutral": 0.000003,
              "Positive": 0.999994
            }
          }
        },
        {
          "BeginOffset": 24,
          "EndOffset": 26,
          "Score": 0.999756,
          "GroupScore": 0.999314,
          "Text": "it",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0.000003,
              "Neutral": 0.000006,
              "Positive": 0.999991
            }
          }
        },
        {
          "BeginOffset": 41,
          "EndOffset": 47,
          "Score": 1,
          "GroupScore": 0.531342,
          "Text": "burger",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0.000215,
              "Negative": 0.000094,
              "Neutral": 0.00008,
              "Positive": 0.999611
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 52,
          "EndOffset": 58,
          "Score": 0.965462,
          "GroupScore": 1,
          "Text": "plenty",
          "Type": "QUANTITY",
          "MentionSentiment": {
            "Sentiment": "NEUTRAL",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0,
              "Neutral": 1,
              "Positive": 0
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 62,
          "EndOffset": 70,
          "Score": 0.998353,
          "GroupScore": 1,
          "Text": "toppings",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "NEUTRAL",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0,
              "Neutral": 0.999964,
              "Positive": 0.000036
            }
          }
        }
      ]
    }
  ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 1
}
{
  "Entities": [
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 4,
          "EndOffset": 10,
          "Score": 1,
          "GroupScore": 1,
          "Text": "burger",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "POSITIVE",
            "SentimentScore": {
              "Mixed": 0.001515,
              "Negative": 0.000822,
              "Neutral": 0.000243,
              "Positive": 0.99742
            }
          }
        },
        {
          "BeginOffset": 36,
          "EndOffset": 38,
          "Score": 0.999843,
          "GroupScore": 0.999661,
          "Text": "it",
          "Type": "OTHER",
          "MentionSentiment": {
            "Sentiment": "NEGATIVE",
            "SentimentScore": {
              "Mixed": 0,
              "Negative": 0.999996,
              "Neutral": 0.000004,
              "Positive": 0
            }
          }
        }
      ]
    },
    {
      "DescriptiveMentionIndex": [
        0
      ],
      "Mentions": [
        {
          "BeginOffset": 53,
          "EndOffset": 60,
          "Score": 1,
          "GroupScore": 1,
          "Text": "service",
          "Type": "ATTRIBUTE",
          "MentionSentiment": {
            "Sentiment": "NEUTRAL",
            "SentimentScore": {
              "Mixed": 0.000033,
              "Negative": 0.000089,
              "Neutral": 0.993325,
              "Positive": 0.006553
            }
          }
        }
      ]
    }
  ],
  "File": "TargetSentimentInputDocs.txt",
  "Line": 2
}
  }
```

# 語法分析
<a name="how-syntax"></a>

使用語法分析從文件中剖析字詞，並傳回文件中每個字詞的語音或語法函數部分。您可以在文件中識別名詞、動詞、形容詞等。使用此資訊可更深入了解文件的內容，並了解文件中字詞的關係。

例如，您可以在文件中尋找名詞，然後尋找與這些名詞相關的動詞。在像是「我的祖母移動她的沙發」的句子中，您可以看到名詞、「祖母」和「咖啡」，以及動詞「移動」。您可以使用此資訊來建置應用程式，以分析您感興趣的文字組合文字。

若要開始分析，Amazon Comprehend 會剖析來源文字，以在文字中尋找個別單字。剖析文字之後，每個字詞都會被指派為在來源文字中採取的語音部分。

Amazon Comprehend 可以識別下列語音部分。


| 權杖 | 語音的一部分 | 
| --- | --- | 
| ADJ | 形容詞 通常修改名詞的單字。 | 
| ADP | 宣告 前置或後置片語的開頭。 | 
| ADV | Adverb 通常修改動詞的單字。他們也可能修改形容詞和其他輔助詞。 | 
| AUX | 輔助 伴隨動詞片語動詞的函數單字。 | 
| CCONJ | 協調 結合 協調結合會連接句子中的單字、片語或子句，而不會將單字、片語或子句子句依序排列。 | 
| CONJ | 連接詞 結合會連接句子中的單字、片語或子句。 | 
| DET | 判斷器 指定特定名詞片語的文章和其他字詞。 | 
| INTJ | 插入 用作驚嘆號或驚嘆號一部分的字詞。 | 
| NOUN | 名詞 指定人物、地點、實物、動物或想法的字詞。 | 
| NUM | 數值 表達數字的單字，通常是決定者、形容詞或代名詞。 | 
| O | 其他 無法指派給語音類別一部分的字詞。 | 
| PART | 助詞 與另一個單字或片語相關聯的函數單字可賦予意義。  | 
| PRON | 代名詞 取代名詞或名詞片語的字詞。 | 
| PROPN | 適當的名詞此名詞是特定個人、位置或物件的名稱。 | 
| PUNCT | 標點符號 分隔文字的非字母字元。 | 
| SCONJ | 協調 結合 將相依子句加入句子的結合。子排序結合的範例是「原因」。 | 
| SYM | Symbol類似文字的實體，例如貨幣符號 (\$1) 或數學符號。 | 
| VERB | 動詞發出事件和動作訊號的字詞。 | 

如需語音部分的詳細資訊，請參閱 [Universal Dependencies 網站上的 Universal POS 標籤](http://universaldependencies.org/u/pos/)。 **

操作會傳回識別單字的字符，以及單字在文字中代表的語音部分。每個字符代表來源文字中的字詞。它提供來源中字詞的位置、該字詞在文字中採用的語音部分、Amazon Comprehend 對正確識別語音部分的可信度，以及從來源文字剖析的字詞。

以下是語法字符清單的結構。文件中的每個字詞都會產生一個語法字符。

```
{
   "SyntaxTokens": [ 
      { 
         "BeginOffset": number,
         "EndOffset": number,
         "PartOfSpeech": { 
            "Score": number,
            "Tag": "string"
         },
         "Text": "string",
         "TokenId": number
      }
   ]
}
```

每個字符都提供以下資訊：
+ `BeginOffset` 和 `EndOffset`- 在輸入文字中提供單字的位置。
+ `PartOfSpeech`- 提供兩種資訊：`Tag`識別語音部分的 `Score`，以及代表 Amazon Comprehend 語法對正確識別語音部分的可信度的 。
+ `Text`- 提供已識別的字詞。
+ `TokenId`- 提供字符的識別符。識別符是字符清單中字符的位置。