Archivo de categorías: API

Entradas sobre las API de MeaningCloud.

Grabación del webinar: ¿Cuándo usar las diferentes herramientas de Analítica de Texto?

El pasado día 7 de febrero presentamos nuestro webinar “Clasificación, extracción de topics, clustering… ¿Cuándo usar las diferentes herramientas de Analítica de Texto?”. Gracias a todos por vuestro interés.

En la sesión cubrimos la siguiente agenda:

  • Introducción a la analítica de texto.
  • ¿Qué escenarios de aplicación se pueden beneficiar más de la analítica de texto? Análisis de la conversación, visión de 360º, contenidos inteligentes, gestión del conocimiento, e-discovery, cumplimiento normativo… Beneficios y retos.
  • ¿Para qué sirven las diferentes funciones de la analítica de texto? Extracción de información, categorización, clustering, análisis de sentimiento, análisis morfosintáctico… Descripción, demostración y aplicaciones.
  • ¿Qué características debería poseer una herramienta de analítica de texto? ¿Es todo cuestión de precisión? ¿Cómo mejorar la calidad?
  • Un vistazo al roadmap de MeaningCloud.

IMPORTANTE: En este tutorial, puedes encontrar los datos que analizamos durante el webinar.

¿Interesado? A continuación tienes la presentación y la grabación del webinar.

(This webinar was also delivered in English. Please find the recording here.)
Continuar leyendo


Clasificación, extracción de topics, clustering… ¿Cuándo usar las diferentes herramientas de Analítica de Texto? (webinar)

Cómo sacar partido de la tecnología de analítica de texto para tu negocio

text analytics

La mayoría de la información útil para las organizaciones está “enterrada” en forma de texto no estructurado (documentos, interacciones en el contact center, conversaciones sociales…). La analítica de texto nos ayuda a estructurar esos datos y convertirlos en información útil. Pero ¿qué herramientas de analítica de texto son las más adecuadas en cada caso? ¿Cuándo debería utilizar extracción de información y cuándo categorización o clustering? ¿Qué aplicaciones se pueden beneficiar más de la analítica de texto? ¿Cuáles son los retos?

Regístrate en este webinar de MeaningCloud el martes 7 de febrero a las 17:00 h. (CET) y descubre respuestas a estas y otras preguntas, usando ejemplos prácticos.

ACTUALIZACIÓN: este webinar ya ha tenido lugar. Ver la grabación aquí.

(This webinar has been delivered in English too, see the recording here.)


El etiquetado automático IAB hace posible la publicidad semántica

Nuestra API de Text Classification soporta la taxonomía contextual estándar del IAB permitiendo etiquetar contenidos según ese modelo en grandes volúmenes y a gran velocidad y facilitando la participación en el nuevo ecosistema de publicidad online. El resultado es la impresión de anuncios en el contexto más adecuado, con un mayor rendimiento y protección de marca para los anunciantes.

Qué es la clasificación contextual de IAB y para qué sirve

La taxonomía contextual IAB QAG fue inicialmente desarrollada por el Interactive Advertising Bureau (IAB) como centro de su programa Quality Assurance Guidelines, que buscaba promover la seguridad de las marcas anunciantes, garantizando que sus anuncios no aparecían en un contexto de contenido inadecuado. El programa QAG incluía posibilidades de certificación para todo tipo de agentes en la cadena de valor de la publicidad digital, desde redes y exchanges publicitarios hasta publishers, supply side platforms (SSPs), demand side platforms (DSPs) y agency trading desks (ATDs).

Las Quality Assurance Guidelines sirven como un marco de autorregulación que garantiza a los anunciantes que sus marcas están seguras, aumenta el control de los anunciantes sobre la ubicación y el contexto de sus anuncios y ofrece transparencia al mercado estandarizando la información que fluye entre los agentes, al proporcionar un lenguaje claro y común que describe las características del inventario publicitario y de las transacciones a través de la cadena de valor.

Esencialmente la taxonomía contextual sirve para etiquetar contenidos y se compone de unos niveles 1 y 2 estándar -que especifican respectivamente la categoría general del contenido y una serie de subcategorías anidadas dentro de esa categoría principal- y de unos niveles 3 y siguientes que pueden ser definidos por cada organización. Las siguientes figuras presentan dichos niveles estándar.

Continuar leyendo


Un análisis de sentimiento totalmente a tu medida con nuestra nueva herramienta de personalización

La adaptación al dominio es lo que marca la diferencia entre un análisis de sentimiento bueno y uno excepcional. Hasta ahora las posibilidades de adaptar el análisis de sentimiento de MeaningCloud a tu contexto se cifraban en utilizar diccionarios personales -para crear nuevas entidades y conceptos que la API de Sentiment Analysis utilizara para realizar su análisis basado en aspectos- o en solicitar a nuestro departamento de Servicios Profesionales que desarrollara un modelo de sentimiento a tu medida.

Sentiment Models buttonCon la publicación de Sentiment Analysis 2.1 incorporamos una nueva herramienta de personalización orientada a la creación de modelos de sentimientos personales. Esta herramienta utiliza a fondo nuestra tecnología de Procesamiento del Lenguaje Natural para permitiros ser autónomos y desarrollar -sin necesidad de programar- potentes motores de análisis de sentimiento adaptados a vuestras necesidades.

Otras herramientas para personalizar el análisis de sentimiento disponibles en el mercado permiten esencialmente definir “bolsas de palabras” con polaridad positiva o negativa. Nuestras herramientas van mucho más allá y hacen posible

  • Definir el papel de una palabra como vector de polaridad (contenedor, negador, modificador), permitiendo usar lemas para incorporar fácilmente las variantes de cada palabra
  • Especificar casos particulares de la polaridad de una palabra, dependiendo del contexto en el que aparece o de la función morfosintáctica que desempeña en cada caso
  • Definir expresiones multipalabra como elementos prioritarios en la evaluación de polaridad
  • Gestionar el modo en que estos modelos personales de polaridad complementan o sustituyen a los diccionarios generales de cada idioma.

Screenshot Sentiment Customization

Por ejemplo, la expresión “el tipo de interés es muy alto” expresada por un cliente de servicios financieros, puede ser positiva en un contexto de depósitos pero negativa en un contexto de hipotecas. Con esta herramienta es posible definir esas diferentes polaridades para los distintos casos.

Además, el uso de esta herramienta está incluido en tu suscripción a MeanungCloud sin coste adicional (incluso en el plan Gratis).

Esta herramienta de modelos de sentimiento complementa nuestra oferta para el desarrollo de recursos semánticos personales y contribuye al objetivo de MeaningCloud de poner la analítica de texto de la máxima calidad al alcance de todos los desarrolladores.

¿Quieres saber cómo aplicar la herramienta de personalización de análisis de sentimiento en un escenario práctico? Regístrate en este webinar el día 3 de mayo y lo descubrirás.

ACTUALIZACIÓN: este webinar ya ha tenido lugar. Ver la grabación aquí.

IMPORTANTE: Sentiment Analysis 2.1 introduce cambios en la API que hacen necesario migrar tus aplicaciones a esta nueva versión. La migración es muy sencilla y se explica aquí. Recuerda que Sentiment Analysis 2.0 dejará de estar operativo el 7 de julio de 2016: ¡planifica tu migración con tiempo!

Conoce tu audiencia con la beta de User Profiling

¿Te gustaría entender a los miembros de tu audiencia hasta el punto de determinar su situación y afinidades: sus circunstancias familiares y profesionales, su estilo de vida, los temas que le interesan? ¿Poder dividir esa audiencia en segmentos significativos y actuables? Si eres una empresa que vende productos, ¿poder descubrir y entender a tus clientes ideales y así optimizar tus actividades comerciales?

Nuestra tecnología de analítica de texto te permite ahora utilizar el contenido que los usuarios publican en medios sociales (sus perfiles declarados, sus conversaciones) para perfilar tu audiencia según atributos demográficos y psicográficos.

Continuar leyendo


Introducción al análisis de sentimientos (minería de opiniones)

En la última década, el análisis de sentimientos (SA, sentiment analysis), también conocido como minería de opiniones (opinion mining), ha despertado un creciente interés. Resulta un gran reto para las tecnologías del lenguaje, ya que obtener buenos resultados es mucho más difícil de lo que muchos creen. La tarea de clasificar automáticamente un texto escrito en un lenguaje natural en un sentimiento positivo o negativo, opinión o subjetividad (Pang and Lee, 2008), es a veces tan complicada que incluso es difícil poner de acuerdo a diferentes anotadores humanos sobre la clasificación a asignar a un texto dado. La interpretación personal de un individuo es diferente de la de los demás, y además se ve afectada por factores culturales y experiencias propias de cada persona. Y la tarea es aún más difícil cuanto más corto sea el texto, y peor escrito esté, como es el caso de los mensajes en redes sociales como Twitter o Facebook.

Continuar leyendo


Descubre insights inesperados con la nueva release de MeaningCloud

Acabamos de publicar una nueva release de MeaningCloud con algunas novedades que van a cambiar tu manera de hacer analítica de texto. Como complemento a las técnicas analíticas más habituales -que extraen información o clasifican un texto en función de diccionarios y categorías predefinidos- incorporamos técnicas de aprendizaje no supervisado que permiten explorar una serie de documentos para descubrir y extraer de ellos insights (temas, relaciones) no previstos.

En esta nueva release de MeaningCloud publicamos una API de Clustering de Texto que  permite descubrir la estructura implícita y los temas significativos que emergen de los contenidos de tus documentos, conversaciones sociales, etc. Esta API toma un conjunto de textos y los distribuye en grupos (clusters) en función de la similitud entre los contenidos de cada documento. El objetivo es que los documentos de un cluster sean muy parecidos entre sí y muy diferentes a los otros clusters.

El clustering es una tecnología utilizada tradicionalmente en el análisis de datos estructurados. Lo que tiene de particular nuestra API es que sus pipelines están optimizados para analizar texto no estructurado.

Text Clustering API

Continuar leyendo


¿Pueden los antidepresivos causar malformaciones en el feto?

Puede que no sea lo más común que en el blog de una empresa de tecnología de la información se hable de antidepresivos y embarazos, lo entendemos perfectamente. Pero en MeaningCloud hemos comprobado que los temas de salud tienen una fuerte repercusión en medios sociales y las empresas del sector, incluyendo las farmacéuticas, harían bien en tratar de entender la conversación que se genera alrededor. ¿Cómo? Mediante la tecnología de análisis de texto, como veremos a continuación.

Mirando los datos recogidos por nuestro prototipo para la monitorización de temas de salud en medios sociales nos sorprendimos del repentino incremento de menciones del término ‘embarazo’ el día 10 de julio. Para saber el porqué de este dato, acudimos a los tuits que hablaban sobre ese estado de buena esperanza. Resulta que ese mismo día se había publicado una noticia sobre un estudio aparecido en el British Medical Journal sobre los efectos nocivos que los antidepresivos pueden causar en el feto durante el embarazo.
Continuar leyendo


#TuitometroMadrid: un demostrador de la potencia de MeaningCloud

Utilizando las APIs de MeaningCloud y en unos pocos días hemos desarrollado una herramienta de monitorización social acerca de un tema de gran actualidad: las próximas elecciones locales y autonómicas en España.

Con la gran expectación despertada por las próximas elecciones del 24 de mayo, han aparecido varias las iniciativas que tratan de analizar la conversación en medios sociales sobre las diversas opciones políticas.
Queremos hablaros de una que, si bien no va a ganar la medalla a la primera en llegar, sin duda va a ganarla a la más rápida (luego os explicamos esta aparente contradicción).
En MeaningCloud hemos desarrollado #TuitometroMadrid, una aplicación que permite analizar en tiempo real y de manera completa la conversación en Twitter alrededor de partidos y candidatos en la Comunidad y Ayuntamiento de Madrid.

TuitometroMadrid Home

#TuitometroMadrid permite monitorizar el buzz, la opinión y los términos y hashtags más relevantes alrededor de cada opción política y compararlas agregadamente.

 

TuitometroMadrid Sentiment

¿Por qué decimos que es la más rápida? Porque además de ofrecer la información casi en tiempo real (y no como informes a posteriori) ha sido la de desarrollo más veloz: usando las API de MeaningCloud un ingeniero implementó todo el análisis semántico de los contenidos sociales en menos de un día.
Aparte de su utilidad como herramienta informativa, #TuitometroMadrid es una demostración de que las tecnologías de análisis semántico sirven para resolver problemas reales de manera sencilla y asequible.

¿Quieres incorporar el análisis semántico a tus aplicaciones de la manera más sencilla, personalizable y asequible? Usa gratuitamente MeaningCloud.


Monitoriza la reputación corporativa con nuestra nueva API

¿Necesitas entender el impacto que sobre tu reputación corporativa (o la de tus clientes) tienen medios sociales y noticias? Ahora una nueva API de MeaningCloud  te permite analizar toda esa información en tiempo real y estructurarla según las dimensiones de los esquemas de reputación más habituales.

Algunos clientes han venido reclamándonos una manera precisa de entender el impacto de las opiniones en medios sociales y otros canales sobre una empresa.

Reputación CorporativaLas herramientas de monitorización social proporcionan un análisis de sentimiento básico que en el mejor de los casos llega a identificar que un cierto comentario (ej.: un tuit) expresa una opinión positiva o negativa sobre una entidad y utilizan esos datos agregados en diagramas y evoluciones temporales. Pero analizar una realidad tan poliédrica como la reputación de una empresa requiere un análisis de opinión más granular.

Aunque se suele identificar con la reputación online, la reputación corporativa es un concepto diferente: consiste en un agregado de las opiniones y percepciones que el público tiene sobre una cierta empresa. Y se trata de una característica multidimensional, ya que esas opiniones se evalúan en torno a una serie de ejes más o e menos estándar:  Situación financiera, Calidad de sus productos, Innovación, Estrategia…

Un análisis de reputación más social y en tiempo real

Hasta ahora la reputación corporativa se ha venido evaluando mediante entrevistas y encuestas a clientes y analistas, y se ha proporcionado en forma de informes periódicos estáticos. Pero cada vez son más los clientes que no se conforman con una “foto fija” a posteriori, basada en unas pocas opiniones. Ahora desean incorporar a ese cuadro el impacto que los medios sociales y tradicionales tienen sobre su reputación, y disponer de esa información en la forma más actualizada y actuable para detectar cuanto antes crisis reputacionales en gestación.

Con la presente actualización de MeaningCloud incorporamos una nueva API de Reputación Corporativa que permite abrir el análisis reputacional a la enorme cantidad de opiniones espontáneas vertidas en todo tipo de medios (redes sociales, foros, blogs, sitios de noticias) y en tiempo real.

La API realiza un etiquetado reputacional de textos: recibe un documento (tuit, noticia, comentario en encuesta), detecta las empresas de las que se habla, identifica las dimensiones reputacionales involucradas y extrae la polaridad que afecta a cada una. Y todo ello con un gran nivel de precisión y granularidad, discriminando las opiniones sobre empresas diferentes que pueden coexistir en una única frase. Este resultado se devuelve en forma de etiquetas en formato estándar que pueden utilizarse para agregar, relacionar, detectar tendencias, generar alertas, etc.…

En su interior, la API utiliza un pipeline muy optimizado que incorpora técnicas de extracción de información, clasificación automática y análisis de polaridad. Y está basada en interfaces estándar y dispone de SDKs que permiten integrarla en cualquier aplicación o herramienta de monitorización. Más información aquí.

Usando esta API puedes complementar los estudios de reputación tradicionales con un análisis más ágil e inmediato del impacto de medios sociales, noticias, etc. y así gestionar de una manera más dinámica ese activo tan importante de tu empresa.

Y no olvides que en esta actualización de MeaningCloud incorporamos dos APIs provenientes de nuestro anterior producto, MeaningCloud: Análisis Lingüístico y Corrección de Textos.