Amazon-Comprehend-Beispiele unter Verwendung von AWS CLI - AWS-SDK-Codebeispiele
Aktionen

Weitere AWS-SDK-Beispiele sind im GitHub-Repository Beispiele für AWS Doc SDKs verfügbar.

Amazon-Comprehend-Beispiele unter Verwendung von AWS CLI

Die folgenden Codebeispiele zeigen, wie Sie Aktionen durchführen und gängige Szenarien implementieren, indem Sie AWS Command Line Interface mit Amazon Comprehend nutzen.

Aktionen sind Codeauszüge aus größeren Programmen und müssen im Kontext ausgeführt werden. Während Aktionen Ihnen zeigen, wie Sie einzelne Servicefunktionen aufrufen, können Sie Aktionen im Kontext der zugehörigen Szenarien anzeigen.

Jedes Beispiel enthält einen Link zum vollständigen Quellcode, wo Sie Anweisungen zum Einrichten und Ausführen des Codes im Kodex finden.

Themen

Aktionen

Die folgenden Codebeispiele zeigen, wie batch-detect-dominant-language verwendet wird.

AWS CLI

So erkennen Sie die dominante Sprache mehrerer Eingabetexte

Im folgenden Beispiel für batch-detect-dominant-language werden mehrere Eingabetexte analysiert und jeweils die dominante Sprache wird zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend batch-detect-dominant-language \
    --text-list "Physics is the natural science that involves the study of matter and its motion and behavior through space and time, along with related concepts such as energy and force."

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "Languages": [
                {
                    "LanguageCode": "en",
                    "Score": 0.9986501932144165
                }
            ]
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Dominante Sprache im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie batch-detect-entities verwendet wird.

AWS CLI

So erkennen Sie Entitäten aus mehreren Eingabetexten

Im folgenden Beispiel für batch-detect-entities werden mehrere Eingabetexte analysiert und die benannten Entitäten zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend batch-detect-entities \
    --language-code en \
    --text-list "Dear Jane, Your AnyCompany Financial Services LLC credit card account 1111-XXXX-1111-XXXX has a minimum payment of $24.53 that is due by July 31st." "Please send customer feedback to Sunshine Spa, 123 Main St, Anywhere or to Alice at AnySpa@example.com."

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "Entities": [
                {
                    "Score": 0.9985517859458923,
                    "Type": "PERSON",
                    "Text": "Jane",
                    "BeginOffset": 5,
                    "EndOffset": 9
                },
                {
                    "Score": 0.9767839312553406,
                    "Type": "ORGANIZATION",
                    "Text": "AnyCompany Financial Services, LLC",
                    "BeginOffset": 16,
                    "EndOffset": 50
                },
                {
                    "Score": 0.9856694936752319,
                    "Type": "OTHER",
                    "Text": "1111-XXXX-1111-XXXX",
                    "BeginOffset": 71,
                    "EndOffset": 90
                },
                {
                    "Score": 0.9652159810066223,
                    "Type": "QUANTITY",
                    "Text": ".53",
                    "BeginOffset": 116,
                    "EndOffset": 119
                },
                {
                    "Score": 0.9986667037010193,
                    "Type": "DATE",
                    "Text": "July 31st",
                    "BeginOffset": 135,
                    "EndOffset": 144
                }
            ]
        },
        {
            "Index": 1,
            "Entities": [
                {
                    "Score": 0.720084547996521,
                    "Type": "ORGANIZATION",
                    "Text": "Sunshine Spa",
                    "BeginOffset": 33,
                    "EndOffset": 45
                },
                {
                    "Score": 0.9865870475769043,
                    "Type": "LOCATION",
                    "Text": "123 Main St",
                    "BeginOffset": 47,
                    "EndOffset": 58
                },
                {
                    "Score": 0.5895616412162781,
                    "Type": "LOCATION",
                    "Text": "Anywhere",
                    "BeginOffset": 60,
                    "EndOffset": 68
                },
                {
                    "Score": 0.6809214353561401,
                    "Type": "PERSON",
                    "Text": "Alice",
                    "BeginOffset": 75,
                    "EndOffset": 80
                },
                {
                    "Score": 0.9979087114334106,
                    "Type": "OTHER",
                    "Text": "AnySpa@example.com",
                    "BeginOffset": 84,
                    "EndOffset": 99
                }
            ]
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Entitäten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter BatchDetectEntities in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie batch-detect-key-phrases verwendet wird.

AWS CLI

So erkennen Sie Schlüsselphrasen mehrerer Texteingaben

Im folgenden Beispiel für batch-detect-key-phrases werden mehrere Eingabetexte analysiert und die nominale Schlüsselphrase wird zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend batch-detect-key-phrases \
    --language-code en \
    --text-list "Hello Zhang Wei, I am John, writing to you about the trip for next Saturday." "Dear Jane, Your AnyCompany Financial Services LLC credit card account 1111-XXXX-1111-XXXX has a minimum payment of $24.53 that is due by July 31st." "Please send customer feedback to Sunshine Spa, 123 Main St, Anywhere or to Alice at AnySpa@example.com."

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "KeyPhrases": [
                {
                    "Score": 0.99700927734375,
                    "Text": "Zhang Wei",
                    "BeginOffset": 6,
                    "EndOffset": 15
                },
                {
                    "Score": 0.9929308891296387,
                    "Text": "John",
                    "BeginOffset": 22,
                    "EndOffset": 26
                },
                {
                    "Score": 0.9997230172157288,
                    "Text": "the trip",
                    "BeginOffset": 49,
                    "EndOffset": 57
                },
                {
                    "Score": 0.9999470114707947,
                    "Text": "next Saturday",
                    "BeginOffset": 62,
                    "EndOffset": 75
                }
            ]
        },
        {
            "Index": 1,
            "KeyPhrases": [
                {
                    "Score": 0.8358274102210999,
                    "Text": "Dear Jane",
                    "BeginOffset": 0,
                    "EndOffset": 9
                },
                {
                    "Score": 0.989359974861145,
                    "Text": "Your AnyCompany Financial Services",
                    "BeginOffset": 11,
                    "EndOffset": 45
                },
                {
                    "Score": 0.8812323808670044,
                    "Text": "LLC credit card account 1111-XXXX-1111-XXXX",
                    "BeginOffset": 47,
                    "EndOffset": 90
                },
                {
                    "Score": 0.9999381899833679,
                    "Text": "a minimum payment",
                    "BeginOffset": 95,
                    "EndOffset": 112
                },
                {
                    "Score": 0.9997439980506897,
                    "Text": ".53",
                    "BeginOffset": 116,
                    "EndOffset": 119
                },
                {
                    "Score": 0.996875524520874,
                    "Text": "July 31st",
                    "BeginOffset": 135,
                    "EndOffset": 144
                }
            ]
        },
        {
            "Index": 2,
            "KeyPhrases": [
                {
                    "Score": 0.9990295767784119,
                    "Text": "customer feedback",
                    "BeginOffset": 12,
                    "EndOffset": 29
                },
                {
                    "Score": 0.9994127750396729,
                    "Text": "Sunshine Spa",
                    "BeginOffset": 33,
                    "EndOffset": 45
                },
                {
                    "Score": 0.9892991185188293,
                    "Text": "123 Main St",
                    "BeginOffset": 47,
                    "EndOffset": 58
                },
                {
                    "Score": 0.9969810843467712,
                    "Text": "Alice",
                    "BeginOffset": 75,
                    "EndOffset": 80
                },
                {
                    "Score": 0.9703696370124817,
                    "Text": "AnySpa@example.com",
                    "BeginOffset": 84,
                    "EndOffset": 99
                }
            ]
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Schlüsselphrasen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie batch-detect-sentiment verwendet wird.

AWS CLI

So erkennen Sie die vorherrschende Stimmung in mehreren Eingabetexten

Im folgenden Beispiel für batch-detect-sentiment werden mehrere Eingabetexte analysiert und die jeweils vorherrschende Stimmung (POSITIVE, NEUTRAL, MIXED oder NEGATIVE) wird zurückgegeben.

aws comprehend batch-detect-sentiment \
    --text-list "That movie was very boring, I can't believe it was over four hours long." "It is a beautiful day for hiking today." "My meal was okay, I'm excited to try other restaurants." \
    --language-code en

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "Sentiment": "NEGATIVE",
            "SentimentScore": {
                "Positive": 0.00011316669406369328,
                "Negative": 0.9995445609092712,
                "Neutral": 0.00014722718333359808,
                "Mixed": 0.00019498742767609656
            }
        },
        {
            "Index": 1,
            "Sentiment": "POSITIVE",
            "SentimentScore": {
                "Positive": 0.9981263279914856,
                "Negative": 0.00015240783977787942,
                "Neutral": 0.0013876151060685515,
                "Mixed": 0.00033366199932061136
            }
        },
        {
            "Index": 2,
            "Sentiment": "MIXED",
            "SentimentScore": {
                "Positive": 0.15930435061454773,
                "Negative": 0.11471917480230331,
                "Neutral": 0.26897063851356506,
                "Mixed": 0.45700588822364807
            }
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Stimmung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie batch-detect-syntax verwendet wird.

AWS CLI

So untersuchen Sie die Syntax und Wortarten in mehreren Eingabetexten

Im folgenden Beispiel für batch-detect-syntax wird die Syntax mehrerer Eingabetexte analysiert und die verschiedenen Wortarten werden zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend batch-detect-syntax \
    --text-list "It is a beautiful day." "Can you please pass the salt?" "Please pay the bill before the 31st." \
    --language-code en

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "SyntaxTokens": [
                {
                    "TokenId": 1,
                    "Text": "It",
                    "BeginOffset": 0,
                    "EndOffset": 2,
                    "PartOfSpeech": {
                        "Tag": "PRON",
                        "Score": 0.9999740719795227
                    }
                },
                {
                    "TokenId": 2,
                    "Text": "is",
                    "BeginOffset": 3,
                    "EndOffset": 5,
                    "PartOfSpeech": {
                        "Tag": "VERB",
                        "Score": 0.999937117099762
                    }
                },
                {
                    "TokenId": 3,
                    "Text": "a",
                    "BeginOffset": 6,
                    "EndOffset": 7,
                    "PartOfSpeech": {
                        "Tag": "DET",
                        "Score": 0.9999926686286926
                    }
                },
                {
                    "TokenId": 4,
                    "Text": "beautiful",
                    "BeginOffset": 8,
                    "EndOffset": 17,
                    "PartOfSpeech": {
                        "Tag": "ADJ",
                        "Score": 0.9987891912460327
                    }
                },
                {
                    "TokenId": 5,
                    "Text": "day",
                    "BeginOffset": 18,
                    "EndOffset": 21,
                    "PartOfSpeech": {
                        "Tag": "NOUN",
                        "Score": 0.9999778866767883
                    }
                },
                {
                    "TokenId": 6,
                    "Text": ".",
                    "BeginOffset": 21,
                    "EndOffset": 22,
                    "PartOfSpeech": {
                        "Tag": "PUNCT",
                        "Score": 0.9999974966049194
                    }
                }
            ]
        },
        {
            "Index": 1,
            "SyntaxTokens": [
                {
                    "TokenId": 1,
                    "Text": "Can",
                    "BeginOffset": 0,
                    "EndOffset": 3,
                    "PartOfSpeech": {
                        "Tag": "AUX",
                        "Score": 0.9999770522117615
                    }
                },
                {
                    "TokenId": 2,
                    "Text": "you",
                    "BeginOffset": 4,
                    "EndOffset": 7,
                    "PartOfSpeech": {
                        "Tag": "PRON",
                        "Score": 0.9999986886978149
                    }
                },
                {
                    "TokenId": 3,
                    "Text": "please",
                    "BeginOffset": 8,
                    "EndOffset": 14,
                    "PartOfSpeech": {
                        "Tag": "INTJ",
                        "Score": 0.9681622385978699
                    }
                },
                {
                    "TokenId": 4,
                    "Text": "pass",
                    "BeginOffset": 15,
                    "EndOffset": 19,
                    "PartOfSpeech": {
                        "Tag": "VERB",
                        "Score": 0.9999874830245972
                    }
                },
                {
                    "TokenId": 5,
                    "Text": "the",
                    "BeginOffset": 20,
                    "EndOffset": 23,
                    "PartOfSpeech": {
                        "Tag": "DET",
                        "Score": 0.9999827146530151
                    }
                },
                {
                    "TokenId": 6,
                    "Text": "salt",
                    "BeginOffset": 24,
                    "EndOffset": 28,
                    "PartOfSpeech": {
                        "Tag": "NOUN",
                        "Score": 0.9995040893554688
                    }
                },
                {
                    "TokenId": 7,
                    "Text": "?",
                    "BeginOffset": 28,
                    "EndOffset": 29,
                    "PartOfSpeech": {
                        "Tag": "PUNCT",
                        "Score": 0.999998152256012
                    }
                }
            ]
        },
        {
            "Index": 2,
            "SyntaxTokens": [
                {
                    "TokenId": 1,
                    "Text": "Please",
                    "BeginOffset": 0,
                    "EndOffset": 6,
                    "PartOfSpeech": {
                        "Tag": "INTJ",
                        "Score": 0.9997857809066772
                    }
                },
                {
                    "TokenId": 2,
                    "Text": "pay",
                    "BeginOffset": 7,
                    "EndOffset": 10,
                    "PartOfSpeech": {
                        "Tag": "VERB",
                        "Score": 0.9999252557754517
                    }
                },
                {
                    "TokenId": 3,
                    "Text": "the",
                    "BeginOffset": 11,
                    "EndOffset": 14,
                    "PartOfSpeech": {
                        "Tag": "DET",
                        "Score": 0.9999842643737793
                    }
                },
                {
                    "TokenId": 4,
                    "Text": "bill",
                    "BeginOffset": 15,
                    "EndOffset": 19,
                    "PartOfSpeech": {
                        "Tag": "NOUN",
                        "Score": 0.9999588131904602
                    }
                },
                {
                    "TokenId": 5,
                    "Text": "before",
                    "BeginOffset": 20,
                    "EndOffset": 26,
                    "PartOfSpeech": {
                        "Tag": "ADP",
                        "Score": 0.9958304762840271
                    }
                },
                {
                    "TokenId": 6,
                    "Text": "the",
                    "BeginOffset": 27,
                    "EndOffset": 30,
                    "PartOfSpeech": {
                        "Tag": "DET",
                        "Score": 0.9999947547912598
                    }
                },
                {
                    "TokenId": 7,
                    "Text": "31st",
                    "BeginOffset": 31,
                    "EndOffset": 35,
                    "PartOfSpeech": {
                        "Tag": "NOUN",
                        "Score": 0.9924124479293823
                    }
                },
                {
                    "TokenId": 8,
                    "Text": ".",
                    "BeginOffset": 35,
                    "EndOffset": 36,
                    "PartOfSpeech": {
                        "Tag": "PUNCT",
                        "Score": 0.9999955892562866
                    }
                }
            ]
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Syntaxanalyse im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter BatchDetectSyntax in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie batch-detect-targeted-sentiment verwendet wird.

AWS CLI

So erkennen Sie die Stimmung und jede benannte Entität für mehrere Eingabetexte

Im folgenden Beispiel für batch-detect-targeted-sentiment werden mehrere Eingabetexte analysiert und die benannten Entitäten zusammen mit der vorherrschenden Stimmung, die mit jeder einzelnen Entität verbunden ist, zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend batch-detect-targeted-sentiment \
    --language-code en \
    --text-list "That movie was really boring, the original was way more entertaining" "The trail is extra beautiful today." "My meal was just okay."

Ausgabe:

{
    "ResultList": [
        {
            "Index": 0,
            "Entities": [
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.9999009966850281,
                            "GroupScore": 1.0,
                            "Text": "movie",
                            "Type": "MOVIE",
                            "MentionSentiment": {
                                "Sentiment": "NEGATIVE",
                                "SentimentScore": {
                                    "Positive": 0.13887299597263336,
                                    "Negative": 0.8057460188865662,
                                    "Neutral": 0.05525200068950653,
                                    "Mixed": 0.00012799999967683107
                                }
                            },
                            "BeginOffset": 5,
                            "EndOffset": 10
                        }
                    ]
                },
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.9921110272407532,
                            "GroupScore": 1.0,
                            "Text": "original",
                            "Type": "MOVIE",
                            "MentionSentiment": {
                                "Sentiment": "POSITIVE",
                                "SentimentScore": {
                                    "Positive": 0.9999989867210388,
                                    "Negative": 9.999999974752427e-07,
                                    "Neutral": 0.0,
                                    "Mixed": 0.0
                                }
                            },
                            "BeginOffset": 34,
                            "EndOffset": 42
                        }
                    ]
                }
            ]
        },
        {
            "Index": 1,
            "Entities": [
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.7545599937438965,
                            "GroupScore": 1.0,
                            "Text": "trail",
                            "Type": "OTHER",
                            "MentionSentiment": {
                                "Sentiment": "POSITIVE",
                                "SentimentScore": {
                                    "Positive": 1.0,
                                    "Negative": 0.0,
                                    "Neutral": 0.0,
                                    "Mixed": 0.0
                                }
                            },
                            "BeginOffset": 4,
                            "EndOffset": 9
                        }
                    ]
                },
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.9999960064888,
                            "GroupScore": 1.0,
                            "Text": "today",
                            "Type": "DATE",
                            "MentionSentiment": {
                                "Sentiment": "NEUTRAL",
                                "SentimentScore": {
                                    "Positive": 9.000000318337698e-06,
                                    "Negative": 1.9999999949504854e-06,
                                    "Neutral": 0.9999859929084778,
                                    "Mixed": 3.999999989900971e-06
                                }
                            },
                            "BeginOffset": 29,
                            "EndOffset": 34
                        }
                    ]
                }
            ]
        },
        {
            "Index": 2,
            "Entities": [
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.9999880194664001,
                            "GroupScore": 1.0,
                            "Text": "My",
                            "Type": "PERSON",
                            "MentionSentiment": {
                                "Sentiment": "NEUTRAL",
                                "SentimentScore": {
                                    "Positive": 0.0,
                                    "Negative": 0.0,
                                    "Neutral": 1.0,
                                    "Mixed": 0.0
                                }
                            },
                            "BeginOffset": 0,
                            "EndOffset": 2
                        }
                    ]
                },
                {
                    "DescriptiveMentionIndex": [
                        0
                    ],
                    "Mentions": [
                        {
                            "Score": 0.9995260238647461,
                            "GroupScore": 1.0,
                            "Text": "meal",
                            "Type": "OTHER",
                            "MentionSentiment": {
                                "Sentiment": "NEUTRAL",
                                "SentimentScore": {
                                    "Positive": 0.04695599898695946,
                                    "Negative": 0.003226999891921878,
                                    "Neutral": 0.6091709733009338,
                                    "Mixed": 0.34064599871635437
                                }
                            },
                            "BeginOffset": 3,
                            "EndOffset": 7
                        }
                    ]
                }
            ]
        }
    ],
    "ErrorList": []
}

Weitere Informationen finden Sie unter Zielgerichtete Stimmung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie classify-document verwendet wird.

AWS CLI

So klassifizieren Sie ein Dokument mit einem modellspezifischen Endpunkt

Im folgenden Beispiel für classify-document wird ein Dokument mit einem Endpunkt eines benutzerdefinierten Modells klassifiziert. Das Modell in diesem Beispiel wurde anhand eines Datensatzes trainiert, der SMS-Nachrichten enthält, die als Spam oder Nicht-Spam oder „betrügerisch“ gekennzeichnet sind.

aws comprehend classify-document \
    --endpoint-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint \
    --text "CONGRATULATIONS! TXT 1235550100 to win $5000"

Ausgabe:

{
    "Classes": [
        {
            "Name": "spam",
            "Score": 0.9998599290847778
        },
        {
            "Name": "ham",
            "Score": 0.00014001205272506922
        }
    ]
}

Weitere Informationen finden Sie unter Benutzerdefinierte Klassifizierung im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ClassifyDocument in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie contains-pii-entities verwendet wird.

AWS CLI

So analysieren Sie den Eingabetext auf das Vorhandensein von PII-Informationen

Im folgenden Beispiel für contains-pii-entities wird der Eingabetext auf das Vorhandensein persönlich identifizierbarer Informationen (PII) analysiert und die Bezeichnungen identifizierter PII-Entitätstypen wie Name, Adresse, Bankkontonummer oder Telefonnummer werden zurückgegeben.

aws comprehend contains-pii-entities \
    --language-code en \
    --text "Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card
        account 1111-XXXX-1111-XXXX 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, 100 Main St, Anywhere. Send comments to Alice at AnySpa@example.com."

Ausgabe:

{
    "Labels": [
        {
            "Name": "NAME",
            "Score": 1.0
        },
        {
            "Name": "EMAIL",
            "Score": 1.0
        },
        {
            "Name": "BANK_ACCOUNT_NUMBER",
            "Score": 0.9995794296264648
        },
        {
            "Name": "BANK_ROUTING",
            "Score": 0.9173126816749573
        },
        {
            "Name": "CREDIT_DEBIT_NUMBER",
            "Score": 1.0
        }
}

Weitere Informationen Sie unter Persönlich identifizierbare Informationen (PII) im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ContainsPiiEntities in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie create-dataset verwendet wird.

AWS CLI

So erstellen Sie einen Schwungrad-Datensatz

Im folgenden Beispiel für create-dataset wird ein Datensatz für ein Schwungrad erstellt. Dieser Datensatz wird als zusätzliche Trainingsdaten verwendet, wie im Tag --dataset-type angegeben.

aws comprehend create-dataset \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity \
    --dataset-name example-dataset \
    --dataset-type "TRAIN" \
    --input-data-config file://inputConfig.json

Inhalt von file://inputConfig.json:

{
    "DataFormat": "COMPREHEND_CSV",
    "DocumentClassifierInputDataConfig": {
        "S3Uri": "s3://amzn-s3-demo-bucket/training-data.csv"
    }
}

Ausgabe:

{
    "DatasetArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity/dataset/example-dataset"
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter CreateDataset in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie create-document-classifier verwendet wird.

AWS CLI

So erstellen Sie einen Dokumentenklassifikator zur Kategorisierung von Dokumenten

Im folgenden Beispiel für create-document-classifier wird der Trainingsprozess für ein Dokumentenklassifikatormodell gestartet. Die Trainingsdatendatei, training.csv, befindet sich im Tag --input-data-config. training.csv ist ein zweispaltiges Dokument, in dem die Bezeichnungen oder Klassifizierungen in der ersten Spalte und die Dokumente in der zweiten Spalte angegeben sind.

aws comprehend create-document-classifier \
    --document-classifier-name example-classifier \
    --data-access-arn arn:aws:comprehend:us-west-2:111122223333:pii-entities-detection-job/123456abcdeb0e11022f22a11EXAMPLE \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --language-code en

Ausgabe:

{
    "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier"
}

Weitere Informationen finden Sie unter Benutzerdefinierte Klassifizierung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie create-endpoint verwendet wird.

AWS CLI

So erstellen Sie einen Endpunkt für ein benutzerdefiniertes Modell

Im folgenden Beispiel für create-endpoint wird ein Endpunkt zur synchronen Inferenz für ein zuvor trainiertes benutzerdefiniertes Modell erstellt.

aws comprehend create-endpoint \
    --endpoint-name example-classifier-endpoint-1 \
    --model-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier \
    --desired-inference-units 1

Ausgabe:

{
    "EndpointArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint-1"
}

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter CreateEndpoint in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie create-entity-recognizer verwendet wird.

AWS CLI

So erstellen Sie eine benutzerdefinierte Entitätserkennung

Im folgenden Beispiel für create-entity-recognizer wird der Trainingsprozess für ein benutzerdefiniertes Entitätserkennungsmodell gestartet. In diesem Beispiel werden eine CSV-Datei mit Trainingsdokumenten, raw_text.csv, und eine CSV-Entitätsliste, entity_list.csv, verwendet, um das Modell zu trainieren. entity-list.csv enthält die folgenden Spalten: Text und Typ.

aws comprehend create-entity-recognizer \
    --recognizer-name example-entity-recognizer
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --input-data-config "EntityTypes=[{Type=DEVICE}],Documents={S3Uri=s3://amzn-s3-demo-bucket/trainingdata/raw_text.csv},EntityList={S3Uri=s3://amzn-s3-demo-bucket/trainingdata/entity_list.csv}"
    --language-code en

Ausgabe:

{
    "EntityRecognizerArn": "arn:aws:comprehend:us-west-2:111122223333:example-entity-recognizer/entityrecognizer1"
}

Weitere Informationen finden Sie unter Benutzerdefinierte Entitätserkennung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie create-flywheel verwendet wird.

AWS CLI

So erstellen Sie ein Schwungrad

Im folgenden Beispiel für create-flywheel wird ein Schwungrad erstellt, um das fortlaufende Training eines Modells zur Dokumentenklassifizierung oder zur Erkennung von Entitäten zu koordinieren. Das Schwungrad in diesem Beispiel wurde erstellt, um ein vorhandenes trainiertes Modell zu verwalten, das durch das Tag --active-model-arn spezifiziert ist. Wenn das Schwungrad erstellt wird, wird am Tag --input-data-lake ein Data Lake erstellt.

aws comprehend create-flywheel \
    --flywheel-name example-flywheel \
    --active-model-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-model/version/1 \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --data-lake-s3-uri "s3://amzn-s3-demo-bucket"

Ausgabe:

{
    "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel"
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter CreateFlywheel in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie delete-document-classifier verwendet wird.

AWS CLI

So löschen Sie einen benutzerdefinierten Dokumentenklassifikator

Im folgenden Beispiel für delete-document-classifier wird ein benutzerdefiniertes Dokumentenklassifikatormodell gelöscht.

aws comprehend delete-document-classifier \
    --document-classifier-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier-1

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie delete-endpoint verwendet wird.

AWS CLI

So löschen Sie einen Endpunkt für ein benutzerdefiniertes Modell

Im folgenden Beispiel für delete-endpoint wird ein modellspezifischer Endpunkt gelöscht. Alle Endpunkte müssen gelöscht werden, damit das Modell gelöscht werden kann.

aws comprehend delete-endpoint \
    --endpoint-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint-1

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DeleteEndpoint in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie delete-entity-recognizer verwendet wird.

AWS CLI

So löschen Sie ein benutzerdefiniertes Entitätserkennungsmodell

Im folgenden Beispiel für delete-entity-recognizer wird ein benutzerdefiniertes Entitätserkennungsmodell gelöscht.

aws comprehend delete-entity-recognizer \
    --entity-recognizer-arn arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/example-entity-recognizer-1

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie delete-flywheel verwendet wird.

AWS CLI

So löschen Sie ein Schwungrad

Im folgenden Beispiel für delete-flywheel wird ein Schwungrad gelöscht. Der Data Lake oder das Modell, der bzw. das dem Schwungrad zugeordnet ist, wird nicht gelöscht.

aws comprehend delete-flywheel \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel-1

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DeleteFlywheel in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie delete-resource-policy verwendet wird.

AWS CLI

So löschen Sie eine ressourcenbasierte Richtlinie

Im folgenden Beispiel für delete-resource-policy wird eine ressourcenbasierte Richtlinie von einer Amazon-Comprehend-Ressource gelöscht.

aws comprehend delete-resource-policy \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier-1/version/1

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Kopieren benutzerdefinierter Modelle zwischen AWS-Konten im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-dataset verwendet wird.

AWS CLI

So beschreiben Sie einen Schwungrad-Datensatz

Im folgenden Beispiel für describe-dataset werden die Eigenschaften eines Schwungrad-Datensatzes abgerufen.

aws comprehend describe-dataset \
    --dataset-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity/dataset/example-dataset

Ausgabe:

{
    "DatasetProperties": {
        "DatasetArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity/dataset/example-dataset",
        "DatasetName": "example-dataset",
        "DatasetType": "TRAIN",
        "DatasetS3Uri": "s3://amzn-s3-demo-bucket/flywheel-entity/schemaVersion=1/12345678A123456Z/datasets/example-dataset/20230616T203710Z/",
        "Status": "CREATING",
        "CreationTime": "2023-06-16T20:37:10.400000+00:00"
    }
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DescribeDataset in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie describe-document-classification-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Dokumentenklassifizierung

Im folgenden Beispiel für describe-document-classification-job werden die Eigenschaften eines asynchronen Dokumentenklassifizierungsauftrags abgerufen.

aws comprehend describe-document-classification-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "DocumentClassificationJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:document-classification-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "exampleclassificationjob",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2023-06-14T17:09:51.788000+00:00",
        "EndTime": "2023-06-14T17:15:58.582000+00:00",
        "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/mymodel/version/1",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/jobdata/",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-CLN-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole"
    }
}

Weitere Informationen finden Sie unter Benutzerdefinierte Klassifizierung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-document-classifier verwendet wird.

AWS CLI

So beschreiben Sie einen Dokumentenklassifikator

Im folgenden Beispiel für describe-document-classifier werden die Eigenschaften eines benutzerdefinierten Dokumentenklassifikatormodells abgerufen.

aws comprehend describe-document-classifier \
    --document-classifier-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier-1

Ausgabe:

{
    "DocumentClassifierProperties": {
        "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier-1",
        "LanguageCode": "en",
        "Status": "TRAINED",
        "SubmitTime": "2023-06-13T19:04:15.735000+00:00",
        "EndTime": "2023-06-13T19:42:31.752000+00:00",
        "TrainingStartTime": "2023-06-13T19:08:20.114000+00:00",
        "TrainingEndTime": "2023-06-13T19:41:35.080000+00:00",
        "InputDataConfig": {
            "DataFormat": "COMPREHEND_CSV",
            "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata"
        },
        "OutputDataConfig": {},
        "ClassifierMetadata": {
            "NumberOfLabels": 3,
            "NumberOfTrainedDocuments": 5016,
            "NumberOfTestDocuments": 557,
            "EvaluationMetrics": {
                "Accuracy": 0.9856,
                "Precision": 0.9919,
                "Recall": 0.9459,
                "F1Score": 0.9673,
                "MicroPrecision": 0.9856,
                "MicroRecall": 0.9856,
                "MicroF1Score": 0.9856,
                "HammingLoss": 0.0144
            }
        },
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
        "Mode": "MULTI_CLASS"
    }
}

Weitere Informationen finden Sie unter Erstellen und Verwalten von benutzerdefinierten Modellen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-dominant-language-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung der dominanten Sprache.

Im folgenden Beispiel für describe-dominant-language-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Erkennung der dominanten Sprache abgerufen.

aws comprehend describe-dominant-language-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "DominantLanguageDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:dominant-language-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "languageanalysis1",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-09T18:10:38.037000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-LANGUAGE-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-endpoint verwendet wird.

AWS CLI

So beschreiben Sie einen bestimmten Endpunkt

Im folgenden Beispiel für describe-endpoint werden die Eigenschaften eines modellspezifischen Endpunkts abgerufen.

aws comprehend describe-endpoint \
    --endpoint-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint

Ausgabe:

{
    "EndpointProperties": {
        "EndpointArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint,
        "Status": "IN_SERVICE",
        "ModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier1",
        "DesiredModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier1",
        "DesiredInferenceUnits": 1,
        "CurrentInferenceUnits": 1,
        "CreationTime": "2023-06-13T20:32:54.526000+00:00",
        "LastModifiedTime": "2023-06-13T20:32:54.526000+00:00"
    }
}

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DescribeEndpoint in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie describe-entities-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von Entitäten

Im folgenden Beispiel für describe-entities-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Entitätenerkennung abgerufen.

aws comprehend describe-entities-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "EntitiesDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "example-entity-detector",
        "JobStatus": "COMPLETED",
        "SubmitTime": "2023-06-08T21:30:15.323000+00:00",
        "EndTime": "2023-06-08T21:40:23.509000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/thefolder/111122223333-NER-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::12345678012:role/service-role/AmazonComprehendServiceRole-example-role"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-entity-recognizer verwendet wird.

AWS CLI

So beschreiben Sie eine Entitätserkennung

Im folgenden Beispiel für describe-entity-recognizer werden die Eigenschaften eines benutzerdefinierten Entitätserkennungsmodells abgerufen.

aws comprehend describe-entity-recognizer \
    entity-recognizer-arn arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/business-recongizer-1/version/1

Ausgabe:

{
    "EntityRecognizerProperties": {
        "EntityRecognizerArn": "arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/business-recongizer-1/version/1",
        "LanguageCode": "en",
        "Status": "TRAINED",
        "SubmitTime": "2023-06-14T20:44:59.631000+00:00",
        "EndTime": "2023-06-14T20:59:19.532000+00:00",
        "TrainingStartTime": "2023-06-14T20:48:52.811000+00:00",
        "TrainingEndTime": "2023-06-14T20:58:11.473000+00:00",
        "InputDataConfig": {
            "DataFormat": "COMPREHEND_CSV",
            "EntityTypes": [
                {
                    "Type": "BUSINESS"
                }
            ],
            "Documents": {
                "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/dataset/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "EntityList": {
                "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/entity.csv"
            }
        },
        "RecognizerMetadata": {
            "NumberOfTrainedDocuments": 1814,
            "NumberOfTestDocuments": 486,
            "EvaluationMetrics": {
                "Precision": 100.0,
                "Recall": 100.0,
                "F1Score": 100.0
            },
            "EntityTypes": [
                {
                    "Type": "BUSINESS",
                    "EvaluationMetrics": {
                        "Precision": 100.0,
                        "Recall": 100.0,
                        "F1Score": 100.0
                    },
                    "NumberOfTrainMentions": 1520
                }
            ]
        },
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
        "VersionName": "1"
    }
}

Weitere Informationen finden Sie unter Benutzerdefinierte Entitätserkennung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-events-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von Ereignissen.

Im folgenden Beispiel für describe-events-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Ereigniserkennung abgerufen.

aws comprehend describe-events-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "EventsDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:events-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "events_job_1",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-12T18:45:56.054000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/EventsData",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-EVENTS-123456abcdeb0e11022f22a11EXAMPLE/output/"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
        "TargetEventTypes": [
            "BANKRUPTCY",
            "EMPLOYMENT",
            "CORPORATE_ACQUISITION",
            "CORPORATE_MERGER",
            "INVESTMENT_GENERAL"
        ]
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-flywheel-iteration verwendet wird.

AWS CLI

So beschreiben Sie eine Schwungrad-Iteration

Im folgenden Beispiel für describe-flywheel-iteration werden die Eigenschaften einer Schwungrad-Iteration abgerufen.

aws comprehend describe-flywheel-iteration \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel \
    --flywheel-iteration-id 20232222AEXAMPLE

Ausgabe:

{
    "FlywheelIterationProperties": {
        "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity",
        "FlywheelIterationId": "20232222AEXAMPLE",
        "CreationTime": "2023-06-16T21:10:26.385000+00:00",
        "EndTime": "2023-06-16T23:33:16.827000+00:00",
        "Status": "COMPLETED",
        "Message": "FULL_ITERATION: Flywheel iteration performed all functions successfully.",
        "EvaluatedModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1",
        "EvaluatedModelMetrics": {
            "AverageF1Score": 0.7742663922375772,
            "AveragePrecision": 0.8287636394041166,
            "AverageRecall": 0.7427084833645399,
            "AverageAccuracy": 0.8795394154118689
        },
        "TrainedModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/Comprehend-Generated-v1-bb52d585",
        "TrainedModelMetrics": {
            "AverageF1Score": 0.9767700253081214,
            "AveragePrecision": 0.9767700253081214,
            "AverageRecall": 0.9767700253081214,
            "AverageAccuracy": 0.9858281665190434
        },
        "EvaluationManifestS3Prefix": "s3://amzn-s3-demo-destination-bucket/flywheel-entity/schemaVersion=1/20230616T200543Z/evaluation/20230616T211026Z/"
    }
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-flywheel verwendet wird.

AWS CLI

So beschreiben Sie ein Schwungrad

Im folgenden Beispiel für describe-flywheel werden die Eigenschaften eines Schwungrads abgerufen. In diesem Beispiel ist das dem Schwungrad zugeordnete Modell ein benutzerdefiniertes Klassifizierungsmodell, das darauf trainiert ist, Dokumente entweder als Spam, Nicht-Spam oder „betrügerisch“ zu klassifizieren.

aws comprehend describe-flywheel \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel

Ausgabe:

{
    "FlywheelProperties": {
        "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel",
        "ActiveModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-model/version/1",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
        "TaskConfig": {
            "LanguageCode": "en",
            "DocumentClassificationConfig": {
                "Mode": "MULTI_CLASS",
                "Labels": [
                    "ham",
                    "spam"
                ]
            }
        },
        "DataLakeS3Uri": "s3://amzn-s3-demo-bucket/example-flywheel/schemaVersion=1/20230616T200543Z/",
        "DataSecurityConfig": {},
        "Status": "ACTIVE",
        "ModelType": "DOCUMENT_CLASSIFIER",
        "CreationTime": "2023-06-16T20:05:43.242000+00:00",
        "LastModifiedTime": "2023-06-16T20:21:43.567000+00:00"
    }
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DescribeFlywheel in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie describe-key-phrases-detection-job verwendet wird.

AWS CLI

So beschreiben Sie Auftrag zur Erkennung von Schlüsselphrasen

Im folgenden Beispiel für describe-key-phrases-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Erkennung von Schlüsselphrasen abgerufen.

aws comprehend describe-key-phrases-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "KeyPhrasesDetectionJobProperties": {
        "JobId": "69aa080c00fc68934a6a98f10EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/69aa080c00fc68934a6a98f10EXAMPLE",
        "JobName": "example-key-phrases-detection-job",
        "JobStatus": "COMPLETED",
        "SubmitTime": 1686606439.177,
        "EndTime": 1686606806.157,
        "InputDataConfig": {
            "S3Uri": "s3://dereksbucket1001/EventsData/",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://dereksbucket1002/testfolder/111122223333-KP-69aa080c00fc68934a6a98f10EXAMPLE/output/output.tar.gz"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-testrole"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-pii-entities-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von PII-Entitäten

Im folgenden Beispiel für describe-pii-entities-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Erkennung von PII-Entitäten abgerufen.

aws comprehend describe-pii-entities-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "PiiEntitiesDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:pii-entities-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "example-pii-entities-job",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-08T21:30:15.323000+00:00",
        "EndTime": "2023-06-08T21:40:23.509000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/thefolder/111122223333-NER-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::12345678012:role/service-role/AmazonComprehendServiceRole-example-role"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-resource-policy verwendet wird.

AWS CLI

So beschreiben Sie eine Ressourcenrichtlinie, die an ein Modell angehängt ist

Im folgenden Beispiel für describe-resource-policy werden die Eigenschaften einer ressourcenbasierten Richtlinie abgerufen, die an ein Modell angehängt ist.

aws comprehend describe-resource-policy \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1

Ausgabe:

{
    "ResourcePolicy": "{\"Version\":\"2012-10-17\",\"Statement\":[{\"Effect\":\"Allow\",\"Principal\":{\"AWS\":\"arn:aws:iam::444455556666:root\"},\"Action\":\"comprehend:ImportModel\",\"Resource\":\"*\"}]}",
    "CreationTime": "2023-06-19T18:44:26.028000+00:00",
    "LastModifiedTime": "2023-06-19T18:53:02.002000+00:00",
    "PolicyRevisionId": "baa675d069d07afaa2aa3106ae280f61"
}

Weitere Informationen finden Sie unter Kopieren benutzerdefinierter Modelle zwischen AWS-Konten im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-sentiment-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von Stimmungen

Im folgenden Beispiel für describe-sentiment-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Stimmungserkennung abgerufen.

aws comprehend describe-sentiment-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "SentimentDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:sentiment-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "movie_review_analysis",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-09T23:16:15.956000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/MovieData",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-targeted-sentiment-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Erkennung von zielgerichteten Stimmungen

Im folgenden Beispiel für describe-targeted-sentiment-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Erkennung zielgerichteter Stimmungen abgerufen.

aws comprehend describe-targeted-sentiment-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "TargetedSentimentDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:targeted-sentiment-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "movie_review_analysis",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-09T23:16:15.956000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket/MovieData",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "LanguageCode": "en",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie describe-topics-detection-job verwendet wird.

AWS CLI

So beschreiben Sie einen Auftrag zur Themenerkennung

Im folgenden Beispiel für describe-topics-detection-job werden die Eigenschaften eines asynchronen Auftrags zur Themenerkennung abgerufen.

aws comprehend describe-topics-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "TopicsDetectionJobProperties": {
        "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
        "JobArn": "arn:aws:comprehend:us-west-2:111122223333:topics-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
        "JobName": "example_topics_detection",
        "JobStatus": "IN_PROGRESS",
        "SubmitTime": "2023-06-09T18:44:43.414000+00:00",
        "InputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-bucket",
            "InputFormat": "ONE_DOC_PER_LINE"
        },
        "OutputDataConfig": {
            "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TOPICS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
        },
        "NumberOfTopics": 10,
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-examplerole"
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie detect-dominant-language verwendet wird.

AWS CLI

So erkennen Sie die dominante Sprache eines Eingabetexts

Im folgenden Beispiel für detect-dominant-language wird der Eingabetext analysiert und die dominante Sprache identifiziert. Der Konfidenzwert des vortrainierten Modells wird ebenfalls ausgegeben.

aws comprehend detect-dominant-language \
    --text "It is a beautiful day in Seattle."

Ausgabe:

{
    "Languages": [
        {
            "LanguageCode": "en",
            "Score": 0.9877256155014038
        }
    ]
}

Weitere Informationen finden Sie unter Dominante Sprache im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie detect-entities verwendet wird.

AWS CLI

So erkennen Sie benannte Entitäten im Eingabetext

Im folgenden Beispiel für detect-entities wird der Eingabetext analysiert und die benannten Entitäten werden zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend detect-entities \
    --language-code en \
    --text "Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card \
    account 1111-XXXX-1111-XXXX 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 AnySpa@example.com."

Ausgabe:

{
    "Entities": [
        {
            "Score": 0.9994556307792664,
            "Type": "PERSON",
            "Text": "Zhang Wei",
            "BeginOffset": 6,
            "EndOffset": 15
        },
        {
            "Score": 0.9981022477149963,
            "Type": "PERSON",
            "Text": "John",
            "BeginOffset": 22,
            "EndOffset": 26
        },
        {
            "Score": 0.9986887574195862,
            "Type": "ORGANIZATION",
            "Text": "AnyCompany Financial Services, LLC",
            "BeginOffset": 33,
            "EndOffset": 67
        },
        {
            "Score": 0.9959119558334351,
            "Type": "OTHER",
            "Text": "1111-XXXX-1111-XXXX",
            "BeginOffset": 88,
            "EndOffset": 107
        },
        {
            "Score": 0.9708039164543152,
            "Type": "QUANTITY",
            "Text": ".53",
            "BeginOffset": 133,
            "EndOffset": 136
        },
        {
            "Score": 0.9987268447875977,
            "Type": "DATE",
            "Text": "July 31st",
            "BeginOffset": 152,
            "EndOffset": 161
        },
        {
            "Score": 0.9858865737915039,
            "Type": "OTHER",
            "Text": "XXXXXX1111",
            "BeginOffset": 271,
            "EndOffset": 281
        },
        {
            "Score": 0.9700471758842468,
            "Type": "OTHER",
            "Text": "XXXXX0000",
            "BeginOffset": 306,
            "EndOffset": 315
        },
        {
            "Score": 0.9591118693351746,
            "Type": "ORGANIZATION",
            "Text": "Sunshine Spa",
            "BeginOffset": 340,
            "EndOffset": 352
        },
        {
            "Score": 0.9797496795654297,
            "Type": "LOCATION",
            "Text": "123 Main St",
            "BeginOffset": 354,
            "EndOffset": 365
        },
        {
            "Score": 0.994929313659668,
            "Type": "PERSON",
            "Text": "Alice",
            "BeginOffset": 394,
            "EndOffset": 399
        },
        {
            "Score": 0.9949769377708435,
            "Type": "OTHER",
            "Text": "AnySpa@example.com",
            "BeginOffset": 403,
            "EndOffset": 418
        }
    ]
}

Weitere Informationen finden Sie unter Entitäten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DetectEntities in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie detect-key-phrases verwendet wird.

AWS CLI

So erkennen Sie Schlüsselphrasen im Eingabetext

Im folgenden Beispiel für detect-key-phrases wird der Eingabetext analysiert und die wichtigsten Nominalphrasen werden zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend detect-key-phrases \
    --language-code en \
    --text "Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card \
        account 1111-XXXX-1111-XXXX 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 AnySpa@example.com."

Ausgabe:

{
    "KeyPhrases": [
        {
            "Score": 0.8996376395225525,
            "Text": "Zhang Wei",
            "BeginOffset": 6,
            "EndOffset": 15
        },
        {
            "Score": 0.9992469549179077,
            "Text": "John",
            "BeginOffset": 22,
            "EndOffset": 26
        },
        {
            "Score": 0.988385021686554,
            "Text": "Your AnyCompany Financial Services",
            "BeginOffset": 28,
            "EndOffset": 62
        },
        {
            "Score": 0.8740853071212769,
            "Text": "LLC credit card account 1111-XXXX-1111-XXXX",
            "BeginOffset": 64,
            "EndOffset": 107
        },
        {
            "Score": 0.9999437928199768,
            "Text": "a minimum payment",
            "BeginOffset": 112,
            "EndOffset": 129
        },
        {
            "Score": 0.9998900890350342,
            "Text": ".53",
            "BeginOffset": 133,
            "EndOffset": 136
        },
        {
            "Score": 0.9979453086853027,
            "Text": "July 31st",
            "BeginOffset": 152,
            "EndOffset": 161
        },
        {
            "Score": 0.9983011484146118,
            "Text": "your autopay settings",
            "BeginOffset": 172,
            "EndOffset": 193
        },
        {
            "Score": 0.9996572136878967,
            "Text": "your payment",
            "BeginOffset": 211,
            "EndOffset": 223
        },
        {
            "Score": 0.9995037317276001,
            "Text": "the due date",
            "BeginOffset": 227,
            "EndOffset": 239
        },
        {
            "Score": 0.9702621698379517,
            "Text": "your bank account number XXXXXX1111",
            "BeginOffset": 245,
            "EndOffset": 280
        },
        {
            "Score": 0.9179925918579102,
            "Text": "the routing number XXXXX0000.Customer feedback",
            "BeginOffset": 286,
            "EndOffset": 332
        },
        {
            "Score": 0.9978160858154297,
            "Text": "Sunshine Spa",
            "BeginOffset": 337,
            "EndOffset": 349
        },
        {
            "Score": 0.9706913232803345,
            "Text": "123 Main St",
            "BeginOffset": 351,
            "EndOffset": 362
        },
        {
            "Score": 0.9941995143890381,
            "Text": "comments",
            "BeginOffset": 379,
            "EndOffset": 387
        },
        {
            "Score": 0.9759287238121033,
            "Text": "Alice",
            "BeginOffset": 391,
            "EndOffset": 396
        },
        {
            "Score": 0.8376792669296265,
            "Text": "AnySpa@example.com",
            "BeginOffset": 400,
            "EndOffset": 415
        }
    ]
}

Weitere Informationen finden Sie unter Schlüsselphrasen im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DetectKeyPhrases in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie detect-pii-entities verwendet wird.

AWS CLI

So erkennen Sie PII-Entitäten im Eingabetext

Im folgenden Beispiel für detect-pii-entities wird der Eingabetext analysiert und es werden Entitäten identifiziert, die persönlich identifizierbare Informationen (PII) enthalten. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend detect-pii-entities \
    --language-code en \
    --text "Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card \
        account 1111-XXXX-1111-XXXX 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 AnySpa@example.com."

Ausgabe:

{
    "Entities": [
        {
            "Score": 0.9998322129249573,
            "Type": "NAME",
            "BeginOffset": 6,
            "EndOffset": 15
        },
        {
            "Score": 0.9998878240585327,
            "Type": "NAME",
            "BeginOffset": 22,
            "EndOffset": 26
        },
        {
            "Score": 0.9994089603424072,
            "Type": "CREDIT_DEBIT_NUMBER",
            "BeginOffset": 88,
            "EndOffset": 107
        },
        {
            "Score": 0.9999760985374451,
            "Type": "DATE_TIME",
            "BeginOffset": 152,
            "EndOffset": 161
        },
        {
            "Score": 0.9999449253082275,
            "Type": "BANK_ACCOUNT_NUMBER",
            "BeginOffset": 271,
            "EndOffset": 281
        },
        {
            "Score": 0.9999847412109375,
            "Type": "BANK_ROUTING",
            "BeginOffset": 306,
            "EndOffset": 315
        },
        {
            "Score": 0.999925434589386,
            "Type": "ADDRESS",
            "BeginOffset": 354,
            "EndOffset": 365
        },
        {
            "Score": 0.9989161491394043,
            "Type": "NAME",
            "BeginOffset": 394,
            "EndOffset": 399
        },
        {
            "Score": 0.9994171857833862,
            "Type": "EMAIL",
            "BeginOffset": 403,
            "EndOffset": 418
        }
    ]
}

Weitere Informationen Sie unter Persönlich identifizierbare Informationen (PII) im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DetectPiiEntities in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie detect-sentiment verwendet wird.

AWS CLI

So erkennen Sie die Stimmung eines Eingabetextes

Im folgenden Beispiel für detect-sentiment wird der Eingabetext analysiert und eine Inferenz der vorherrschenden Stimmung (POSITIVE, NEUTRAL, MIXED oder NEGATIVE) wird zurückgegeben.

aws comprehend detect-sentiment \
    --language-code en \
    --text "It is a beautiful day in Seattle"

Ausgabe:

{
    "Sentiment": "POSITIVE",
    "SentimentScore": {
        "Positive": 0.9976957440376282,
        "Negative": 9.653854067437351e-05,
        "Neutral": 0.002169104292988777,
        "Mixed": 3.857641786453314e-05
    }
}

Weitere Informationen finden Sie unter Stimmung im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DetectSentiment in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie detect-syntax verwendet wird.

AWS CLI

So erkennen Sie die Wortarten in einem Eingabetext

Im folgenden Beispiel für detect-syntax wird die Syntax des Eingabetextes analysiert und die verschiedenen Wortarten werden zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend detect-syntax \
    --language-code en \
    --text "It is a beautiful day in Seattle."

Ausgabe:

{
    "SyntaxTokens": [
        {
            "TokenId": 1,
            "Text": "It",
            "BeginOffset": 0,
            "EndOffset": 2,
            "PartOfSpeech": {
                "Tag": "PRON",
                "Score": 0.9999740719795227
            }
        },
        {
            "TokenId": 2,
            "Text": "is",
            "BeginOffset": 3,
            "EndOffset": 5,
            "PartOfSpeech": {
                "Tag": "VERB",
                "Score": 0.999901294708252
            }
        },
        {
            "TokenId": 3,
            "Text": "a",
            "BeginOffset": 6,
            "EndOffset": 7,
            "PartOfSpeech": {
                "Tag": "DET",
                "Score": 0.9999938607215881
            }
        },
        {
            "TokenId": 4,
            "Text": "beautiful",
            "BeginOffset": 8,
            "EndOffset": 17,
            "PartOfSpeech": {
                "Tag": "ADJ",
                "Score": 0.9987351894378662
            }
        },
        {
            "TokenId": 5,
            "Text": "day",
            "BeginOffset": 18,
            "EndOffset": 21,
            "PartOfSpeech": {
                "Tag": "NOUN",
                "Score": 0.9999796748161316
            }
        },
        {
            "TokenId": 6,
            "Text": "in",
            "BeginOffset": 22,
            "EndOffset": 24,
            "PartOfSpeech": {
                "Tag": "ADP",
                "Score": 0.9998047947883606
            }
        },
        {
            "TokenId": 7,
            "Text": "Seattle",
            "BeginOffset": 25,
            "EndOffset": 32,
            "PartOfSpeech": {
                "Tag": "PROPN",
                "Score": 0.9940530061721802
            }
        }
    ]
}

Weitere Informationen finden Sie unter Syntaxanalyse im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter DetectSyntax in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie detect-targeted-sentiment verwendet wird.

AWS CLI

So erkennen Sie die zielgerichtete Stimmung benannter Entitäten in einem Eingabetext

Im folgenden Beispiel für detect-targeted-sentiment wird der Eingabetext analysiert und die benannten Entitäten sowie die zielgerichtete Stimmung, die jeder Entität zugeordnet ist, werden zurückgegeben. Der Konfidenzwert des vortrainierten Modells wird ebenfalls für jede Prognose ausgegeben.

aws comprehend detect-targeted-sentiment \
    --language-code en \
    --text "I do not enjoy January because it is too cold but August is the perfect temperature"

Ausgabe:

{
    "Entities": [
        {
            "DescriptiveMentionIndex": [
                0
            ],
            "Mentions": [
                {
                    "Score": 0.9999979734420776,
                    "GroupScore": 1.0,
                    "Text": "I",
                    "Type": "PERSON",
                    "MentionSentiment": {
                        "Sentiment": "NEUTRAL",
                        "SentimentScore": {
                            "Positive": 0.0,
                            "Negative": 0.0,
                            "Neutral": 1.0,
                            "Mixed": 0.0
                        }
                    },
                    "BeginOffset": 0,
                    "EndOffset": 1
                }
            ]
        },
        {
            "DescriptiveMentionIndex": [
                0
            ],
            "Mentions": [
                {
                    "Score": 0.9638869762420654,
                    "GroupScore": 1.0,
                    "Text": "January",
                    "Type": "DATE",
                    "MentionSentiment": {
                        "Sentiment": "NEGATIVE",
                        "SentimentScore": {
                            "Positive": 0.0031610000878572464,
                            "Negative": 0.9967250227928162,
                            "Neutral": 0.00011100000119768083,
                            "Mixed": 1.9999999949504854e-06
                        }
                    },
                    "BeginOffset": 15,
                    "EndOffset": 22
                }
            ]
        },
        {
            "DescriptiveMentionIndex": [
                0
            ],
            "Mentions": [
                {
                {
                    "Score": 0.9664419889450073,
                    "GroupScore": 1.0,
                    "Text": "August",
                    "Type": "DATE",
                    "MentionSentiment": {
                        "Sentiment": "POSITIVE",
                        "SentimentScore": {
                            "Positive": 0.9999549984931946,
                            "Negative": 3.999999989900971e-06,
                            "Neutral": 4.099999932805076e-05,
                            "Mixed": 0.0
                        }
                    },
                    "BeginOffset": 50,
                    "EndOffset": 56
                }
            ]
        },
        {
            "DescriptiveMentionIndex": [
                0
            ],
            "Mentions": [
                {
                    "Score": 0.9803199768066406,
                    "GroupScore": 1.0,
                    "Text": "temperature",
                    "Type": "ATTRIBUTE",
                    "MentionSentiment": {
                        "Sentiment": "POSITIVE",
                        "SentimentScore": {
                            "Positive": 1.0,
                            "Negative": 0.0,
                            "Neutral": 0.0,
                            "Mixed": 0.0
                        }
                    },
                    "BeginOffset": 77,
                    "EndOffset": 88
                }
            ]
        }
    ]
}

Weitere Informationen finden Sie unter Zielgerichtete Stimmung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie import-model verwendet wird.

AWS CLI

So importieren Sie ein Modell

Im folgenden Beispiel für import-model wird ein Modell aus einem anderen AWS-Konto importiert. Das Dokumentenklassifizierungsmodell im Konto 444455556666 verfügt über eine ressourcenbasierte Richtlinie, die es dem Konto 111122223333 ermöglicht, das Modell zu importieren.

aws comprehend import-model \
    --source-model-arn arn:aws:comprehend:us-west-2:444455556666:document-classifier/example-classifier

Ausgabe:

{
    "ModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier"
}

Weitere Informationen finden Sie unter Kopieren benutzerdefinierter Modelle zwischen AWS-Konten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ImportModel in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie list-datasets verwendet wird.

AWS CLI

So listen Sie alle Schwungrad-Datensätze auf

Im folgenden Beispiel für list-datasets werden alle Datensätze aufgelistet, die einem Schwungrad zugeordnet sind.

aws comprehend list-datasets \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity

Ausgabe:

{
    "DatasetPropertiesList": [
        {
            "DatasetArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity/dataset/example-dataset-1",
            "DatasetName": "example-dataset-1",
            "DatasetType": "TRAIN",
            "DatasetS3Uri": "s3://amzn-s3-demo-bucket/flywheel-entity/schemaVersion=1/20230616T200543Z/datasets/example-dataset-1/20230616T203710Z/",
            "Status": "CREATING",
            "CreationTime": "2023-06-16T20:37:10.400000+00:00"
        },
        {
            "DatasetArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity/dataset/example-dataset-2",
            "DatasetName": "example-dataset-2",
            "DatasetType": "TRAIN",
            "DatasetS3Uri": "s3://amzn-s3-demo-bucket/flywheel-entity/schemaVersion=1/20230616T200543Z/datasets/example-dataset-2/20230616T200607Z/",
            "Description": "TRAIN Dataset created by Flywheel creation.",
            "Status": "COMPLETED",
            "NumberOfDocuments": 5572,
            "CreationTime": "2023-06-16T20:06:07.722000+00:00"
        }
    ]
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ListDatasets in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie list-document-classification-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Dokumentenklassifizierung auf

Im folgenden Beispiel für list-document-classification-jobs werden alle Aufträge zur Dokumentenklassifizierung aufgelistet.

aws comprehend list-document-classification-jobs

Ausgabe:

{
    "DocumentClassificationJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:1234567890101:document-classification-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "exampleclassificationjob",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-14T17:09:51.788000+00:00",
            "EndTime": "2023-06-14T17:15:58.582000+00:00",
            "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:1234567890101:document-classifier/mymodel/version/12",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/jobdata/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/1234567890101-CLN-e758dd56b824aa717ceab551f11749fb/output/output.tar.gz"
            },
            "DataAccessRoleArn": "arn:aws:iam::1234567890101:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a1EXAMPLE2",
            "JobArn": "arn:aws:comprehend:us-west-2:1234567890101:document-classification-job/123456abcdeb0e11022f22a1EXAMPLE2",
            "JobName": "exampleclassificationjob2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-14T17:22:39.829000+00:00",
            "EndTime": "2023-06-14T17:28:46.107000+00:00",
            "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:1234567890101:document-classifier/mymodel/version/12",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/jobdata/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/1234567890101-CLN-123456abcdeb0e11022f22a1EXAMPLE2/output/output.tar.gz"
            },
            "DataAccessRoleArn": "arn:aws:iam::1234567890101:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Benutzerdefinierte Klassifizierung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-document-classifier-summaries verwendet wird.

AWS CLI

So listen Sie die Zusammenfassungen aller erstellten Dokumentenklassifizierungen auf

Im folgenden Beispiel für list-document-classifier-summaries werden alle Zusammenfassungen der erstellten Dokumentenklassifizierungen aufgelistet.

aws comprehend list-document-classifier-summaries

Ausgabe:

{
    "DocumentClassifierSummariesList": [
        {
            "DocumentClassifierName": "example-classifier-1",
            "NumberOfVersions": 1,
            "LatestVersionCreatedAt": "2023-06-13T22:07:59.825000+00:00",
            "LatestVersionName": "1",
            "LatestVersionStatus": "TRAINED"
        },
        {
            "DocumentClassifierName": "example-classifier-2",
            "NumberOfVersions": 2,
            "LatestVersionCreatedAt": "2023-06-13T21:54:59.589000+00:00",
            "LatestVersionName": "2",
            "LatestVersionStatus": "TRAINED"
        }
    ]
}

Weitere Informationen finden Sie unter Erstellen und Verwalten von benutzerdefinierten Modellen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-document-classifiers verwendet wird.

AWS CLI

So listen Sie alle Dokumentenklassifikatoren auf

Im folgenden Beispiel für list-document-classifiers werden alle trainierten und im Training befindlichen Dokumentenklassifikatorenmodelle aufgelistet.

aws comprehend list-document-classifiers

Ausgabe:

{
    "DocumentClassifierPropertiesList": [
        {
            "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier1",
            "LanguageCode": "en",
            "Status": "TRAINED",
            "SubmitTime": "2023-06-13T19:04:15.735000+00:00",
            "EndTime": "2023-06-13T19:42:31.752000+00:00",
            "TrainingStartTime": "2023-06-13T19:08:20.114000+00:00",
            "TrainingEndTime": "2023-06-13T19:41:35.080000+00:00",
            "InputDataConfig": {
                "DataFormat": "COMPREHEND_CSV",
                "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata"
            },
            "OutputDataConfig": {},
            "ClassifierMetadata": {
                "NumberOfLabels": 3,
                "NumberOfTrainedDocuments": 5016,
                "NumberOfTestDocuments": 557,
                "EvaluationMetrics": {
                    "Accuracy": 0.9856,
                    "Precision": 0.9919,
                    "Recall": 0.9459,
                    "F1Score": 0.9673,
                    "MicroPrecision": 0.9856,
                    "MicroRecall": 0.9856,
                    "MicroF1Score": 0.9856,
                    "HammingLoss": 0.0144
                }
            },
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-testorle",
            "Mode": "MULTI_CLASS"
        },
        {
            "DocumentClassifierArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier2",
            "LanguageCode": "en",
            "Status": "TRAINING",
            "SubmitTime": "2023-06-13T21:20:28.690000+00:00",
            "InputDataConfig": {
                "DataFormat": "COMPREHEND_CSV",
                "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata"
            },
            "OutputDataConfig": {},
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-testorle",
            "Mode": "MULTI_CLASS"
        }
    ]
}

Weitere Informationen finden Sie unter Erstellen und Verwalten von benutzerdefinierten Modellen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-dominant-language-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung der dominanten Sprache auf

Im folgenden Beispiel für list-dominant-language-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur Erkennung der dominanten Sprache aufgelistet.

aws comprehend list-dominant-language-detection-jobs

Ausgabe:

{
    "DominantLanguageDetectionJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:dominant-language-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "languageanalysis1",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T18:10:38.037000+00:00",
            "EndTime": "2023-06-09T18:18:45.498000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-LANGUAGE-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:dominant-language-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "languageanalysis2",
            "JobStatus": "STOPPED",
            "SubmitTime": "2023-06-09T18:16:33.690000+00:00",
            "EndTime": "2023-06-09T18:24:40.608000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-LANGUAGE-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-endpoints verwendet wird.

AWS CLI

So listen Sie alle Endpunkte auf

Im folgenden Beispiel für list-endpoints werden alle aktiven modellspezifischen Endpunkte aufgelistet.

aws comprehend list-endpoints

Ausgabe:

{
    "EndpointPropertiesList": [
        {
            "EndpointArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/ExampleClassifierEndpoint",
            "Status": "IN_SERVICE",
            "ModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier1",
            "DesiredModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier1",
            "DesiredInferenceUnits": 1,
            "CurrentInferenceUnits": 1,
            "CreationTime": "2023-06-13T20:32:54.526000+00:00",
            "LastModifiedTime": "2023-06-13T20:32:54.526000+00:00"
        },
        {
            "EndpointArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/ExampleClassifierEndpoint2",
            "Status": "IN_SERVICE",
            "ModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier2",
            "DesiredModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier2",
            "DesiredInferenceUnits": 1,
            "CurrentInferenceUnits": 1,
            "CreationTime": "2023-06-13T20:32:54.526000+00:00",
            "LastModifiedTime": "2023-06-13T20:32:54.526000+00:00"
        }
    ]
}

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ListEndpoints in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie list-entities-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von Entitäten auf

Im folgenden Beispiel für list-entities-detection-jobs werden alle asynchronen Aufträge zur Entitätserkennung aufgelistet.

aws comprehend list-entities-detection-jobs

Ausgabe:

{
    "EntitiesDetectionJobPropertiesList": [
        {
            "JobId": "468af39c28ab45b83eb0c4ab9EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/468af39c28ab45b83eb0c4ab9EXAMPLE",
            "JobName": "example-entities-detection",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-08T20:57:46.476000+00:00",
            "EndTime": "2023-06-08T21:05:53.718000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-NER-468af39c28ab45b83eb0c4ab9EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "809691caeaab0e71406f80a28EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/809691caeaab0e71406f80a28EXAMPLE",
            "JobName": "example-entities-detection-2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-08T21:30:15.323000+00:00",
            "EndTime": "2023-06-08T21:40:23.509000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-NER-809691caeaab0e71406f80a28EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "e00597c36b448b91d70dea165EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/e00597c36b448b91d70dea165EXAMPLE",
            "JobName": "example-entities-detection-3",
            "JobStatus": "STOPPED",
            "SubmitTime": "2023-06-08T22:19:28.528000+00:00",
            "EndTime": "2023-06-08T22:27:33.991000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-NER-e00597c36b448b91d70dea165EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Entitäten im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-entity-recognizer-summaries verwendet wird.

AWS CLI

So listen Sie die Zusammenfassungen für alle erstellten Entitätserkennungen auf

Im folgenden Beispiel für list-entity-recognizer-summaries werden alle Zusammenfassungen für Entitätserkennungen aufgelistet.

aws comprehend list-entity-recognizer-summaries

Ausgabe:

{
    "EntityRecognizerSummariesList": [
        {
            "RecognizerName": "entity-recognizer-3",
            "NumberOfVersions": 2,
            "LatestVersionCreatedAt": "2023-06-15T23:15:07.621000+00:00",
            "LatestVersionName": "2",
            "LatestVersionStatus": "STOP_REQUESTED"
        },
        {
            "RecognizerName": "entity-recognizer-2",
            "NumberOfVersions": 1,
            "LatestVersionCreatedAt": "2023-06-14T22:55:27.805000+00:00",
            "LatestVersionName": "2"
            "LatestVersionStatus": "TRAINED"
        },
        {
            "RecognizerName": "entity-recognizer-1",
            "NumberOfVersions": 1,
            "LatestVersionCreatedAt": "2023-06-14T20:44:59.631000+00:00",
            "LatestVersionName": "1",
            "LatestVersionStatus": "TRAINED"
        }
    ]
}

Weitere Informationen finden Sie unter Benutzerdefinierte Entitätserkennung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-entity-recognizers verwendet wird.

AWS CLI

So listen Sie alle benutzerdefinierten Entitätserkennungen auf

Im folgenden Beispiel für list-entity-recognizers werden alle erstellten benutzerdefinierten Entitätserkennungen aufgelistet.

aws comprehend list-entity-recognizers

Ausgabe:

{
    "EntityRecognizerPropertiesList": [
        {
            "EntityRecognizerArn": "arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/EntityRecognizer/version/1",
            "LanguageCode": "en",
            "Status": "TRAINED",
            "SubmitTime": "2023-06-14T20:44:59.631000+00:00",
            "EndTime": "2023-06-14T20:59:19.532000+00:00",
            "TrainingStartTime": "2023-06-14T20:48:52.811000+00:00",
            "TrainingEndTime": "2023-06-14T20:58:11.473000+00:00",
            "InputDataConfig": {
                "DataFormat": "COMPREHEND_CSV",
                "EntityTypes": [
                    {
                        "Type": "BUSINESS"
                    }
                ],
                "Documents": {
                    "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/dataset/",
                    "InputFormat": "ONE_DOC_PER_LINE"
                },
                "EntityList": {
                    "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/entity.csv"
                }
            },
            "RecognizerMetadata": {
                "NumberOfTrainedDocuments": 1814,
                "NumberOfTestDocuments": 486,
                "EvaluationMetrics": {
                    "Precision": 100.0,
                    "Recall": 100.0,
                    "F1Score": 100.0
                },
                "EntityTypes": [
                    {
                        "Type": "BUSINESS",
                        "EvaluationMetrics": {
                            "Precision": 100.0,
                            "Recall": 100.0,
                            "F1Score": 100.0
                        },
                        "NumberOfTrainMentions": 1520
                    }
                ]
            },
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole",
            "VersionName": "1"
        },
        {
            "EntityRecognizerArn": "arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/entityrecognizer3",
            "LanguageCode": "en",
            "Status": "TRAINED",
            "SubmitTime": "2023-06-14T22:57:51.056000+00:00",
            "EndTime": "2023-06-14T23:14:13.894000+00:00",
            "TrainingStartTime": "2023-06-14T23:01:33.984000+00:00",
            "TrainingEndTime": "2023-06-14T23:13:02.984000+00:00",
            "InputDataConfig": {
                "DataFormat": "COMPREHEND_CSV",
                "EntityTypes": [
                    {
                        "Type": "DEVICE"
                    }
                ],
                "Documents": {
                    "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/raw_txt.csv",
                    "InputFormat": "ONE_DOC_PER_LINE"
                },
                "EntityList": {
                    "S3Uri": "s3://amzn-s3-demo-bucket/trainingdata/entity_list.csv"
                }
            },
            "RecognizerMetadata": {
                "NumberOfTrainedDocuments": 4616,
                "NumberOfTestDocuments": 3489,
                "EvaluationMetrics": {
                    "Precision": 98.54227405247813,
                    "Recall": 100.0,
                    "F1Score": 99.26578560939794
                },
                "EntityTypes": [
                    {
                        "Type": "DEVICE",
                        "EvaluationMetrics": {
                            "Precision": 98.54227405247813,
                            "Recall": 100.0,
                            "F1Score": 99.26578560939794
                        },
                        "NumberOfTrainMentions": 2764
                    }
                ]
            },
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole"
        }
    ]
}

Weitere Informationen finden Sie unter Benutzerdefinierte Entitätserkennung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-events-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von Ereignissen auf

Im folgenden Beispiel für list-events-detection-jobs werden alle asynchronen Aufträge zur Ereigniserkennung aufgelistet.

aws comprehend list-events-detection-jobs

Ausgabe:

{
    "EventsDetectionJobPropertiesList": [
        {
            "JobId": "aa9593f9203e84f3ef032ce18EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:1111222233333:events-detection-job/aa9593f9203e84f3ef032ce18EXAMPLE",
            "JobName": "events_job_1",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-12T19:14:57.751000+00:00",
            "EndTime": "2023-06-12T19:21:04.962000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-source-bucket/EventsData/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/1111222233333-EVENTS-aa9593f9203e84f3ef032ce18EXAMPLE/output/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::1111222233333:role/service-role/AmazonComprehendServiceRole-example-role",
            "TargetEventTypes": [
                "BANKRUPTCY",
                "EMPLOYMENT",
                "CORPORATE_ACQUISITION",
                "CORPORATE_MERGER",
                "INVESTMENT_GENERAL"
            ]
        },
        {
            "JobId": "4a990a2f7e82adfca6e171135EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:1111222233333:events-detection-job/4a990a2f7e82adfca6e171135EXAMPLE",
            "JobName": "events_job_2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-12T19:55:43.702000+00:00",
            "EndTime": "2023-06-12T20:03:49.893000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-source-bucket/EventsData/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/1111222233333-EVENTS-4a990a2f7e82adfca6e171135EXAMPLE/output/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::1111222233333:role/service-role/AmazonComprehendServiceRole-example-role",
            "TargetEventTypes": [
                "BANKRUPTCY",
                "EMPLOYMENT",
                "CORPORATE_ACQUISITION",
                "CORPORATE_MERGER",
                "INVESTMENT_GENERAL"
            ]
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-flywheel-iteration-history verwendet wird.

AWS CLI

So listen Sie den gesamten Verlauf der Schwungraditerationen auf

Im folgenden Beispiel für list-flywheel-iteration-history werden alle Iterationen eines Schwungrades aufgelistet.

aws comprehend list-flywheel-iteration-history
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel

Ausgabe:

{
    "FlywheelIterationPropertiesList": [
        {
            "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel",
            "FlywheelIterationId": "20230619TEXAMPLE",
            "CreationTime": "2023-06-19T04:00:32.594000+00:00",
            "EndTime": "2023-06-19T04:00:49.248000+00:00",
            "Status": "COMPLETED",
            "Message": "FULL_ITERATION: Flywheel iteration performed all functions successfully.",
            "EvaluatedModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1",
            "EvaluatedModelMetrics": {
                "AverageF1Score": 0.7742663922375772,
                "AverageF1Score": 0.9876464664646313,
                "AveragePrecision": 0.9800000253081214,
                "AverageRecall": 0.9445600253081214,
                "AverageAccuracy": 0.9997281665190434
            },
            "EvaluationManifestS3Prefix": "s3://amzn-s3-demo-bucket/example-flywheel/schemaVersion=1/20230619TEXAMPLE/evaluation/20230619TEXAMPLE/"
        },
        {
            "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel-2",
            "FlywheelIterationId": "20230616TEXAMPLE",
            "CreationTime": "2023-06-16T21:10:26.385000+00:00",
            "EndTime": "2023-06-16T23:33:16.827000+00:00",
            "Status": "COMPLETED",
            "Message": "FULL_ITERATION: Flywheel iteration performed all functions successfully.",
            "EvaluatedModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/spamvshamclassify/version/1",
            "EvaluatedModelMetrics": {
                "AverageF1Score": 0.7742663922375772,
                "AverageF1Score": 0.9767700253081214,
                "AveragePrecision": 0.9767700253081214,
                "AverageRecall": 0.9767700253081214,
                "AverageAccuracy": 0.9858281665190434
            },
            "EvaluationManifestS3Prefix": "s3://amzn-s3-demo-bucket/example-flywheel-2/schemaVersion=1/20230616TEXAMPLE/evaluation/20230616TEXAMPLE/"
        }
    ]
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-flywheels verwendet wird.

AWS CLI

So listen Sie alle Schwungräder auf

Im folgenden Beispiel für list-flywheels werden alle erstellten Schwungräder aufgelistet.

aws comprehend list-flywheels

Ausgabe:

{
    "FlywheelSummaryList": [
        {
            "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel-1",
            "ActiveModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier/version/1",
            "DataLakeS3Uri": "s3://amzn-s3-demo-bucket/example-flywheel-1/schemaVersion=1/20230616T200543Z/",
            "Status": "ACTIVE",
            "ModelType": "DOCUMENT_CLASSIFIER",
            "CreationTime": "2023-06-16T20:05:43.242000+00:00",
            "LastModifiedTime": "2023-06-19T04:00:43.027000+00:00",
            "LatestFlywheelIteration": "20230619T040032Z"
        },
        {
            "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel-2",
            "ActiveModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/exampleclassifier2/version/1",
            "DataLakeS3Uri": "s3://amzn-s3-demo-bucket/example-flywheel-2/schemaVersion=1/20220616T200543Z/",
            "Status": "ACTIVE",
            "ModelType": "DOCUMENT_CLASSIFIER",
            "CreationTime": "2022-06-16T20:05:43.242000+00:00",
            "LastModifiedTime": "2022-06-19T04:00:43.027000+00:00",
            "LatestFlywheelIteration": "20220619T040032Z"
        }
    ]
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ListFlywheels in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie list-key-phrases-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von Schlüsselphrasen auf

Im folgenden Beispiel für list-key-phrases-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur Erkennung von Schlüsselphrasen aufgelistet.

aws comprehend list-key-phrases-detection-jobs

Ausgabe:

{
    "KeyPhrasesDetectionJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "keyphrasesanalysis1",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-08T22:31:43.767000+00:00",
            "EndTime": "2023-06-08T22:39:52.565000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-source-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-KP-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a33EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/123456abcdeb0e11022f22a33EXAMPLE",
            "JobName": "keyphrasesanalysis2",
            "JobStatus": "STOPPED",
            "SubmitTime": "2023-06-08T22:57:52.154000+00:00",
            "EndTime": "2023-06-08T23:05:48.385000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-KP-123456abcdeb0e11022f22a33EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a44EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/123456abcdeb0e11022f22a44EXAMPLE",
            "JobName": "keyphrasesanalysis3",
            "JobStatus": "FAILED",
            "Message": "NO_READ_ACCESS_TO_INPUT: The provided data access role does not have proper access to the input data.",
            "SubmitTime": "2023-06-09T16:47:04.029000+00:00",
            "EndTime": "2023-06-09T16:47:18.413000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-KP-123456abcdeb0e11022f22a44EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-pii-entities-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von PII-Entitäten auf

Im folgenden Beispiel für list-pii-entities-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur PII-Erkennung aufgelistet.

aws comprehend list-pii-entities-detection-jobs

Ausgabe:

{
    "PiiEntitiesDetectionJobPropertiesList": [
        {
            "JobId": "6f9db0c42d0c810e814670ee4EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:pii-entities-detection-job/6f9db0c42d0c810e814670ee4EXAMPLE",
            "JobName": "example-pii-detection-job",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T21:02:46.241000+00:00",
            "EndTime": "2023-06-09T21:12:52.602000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-source-bucket/111122223333-PII-6f9db0c42d0c810e814670ee4EXAMPLE/output/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
            "Mode": "ONLY_OFFSETS"
        },
        {
            "JobId": "d927562638cfa739331a99b3cEXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:pii-entities-detection-job/d927562638cfa739331a99b3cEXAMPLE",
            "JobName": "example-pii-detection-job-2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T21:20:58.211000+00:00",
            "EndTime": "2023-06-09T21:31:06.027000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/AsyncBatchJobs/",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-PII-d927562638cfa739331a99b3cEXAMPLE/output/"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
            "Mode": "ONLY_OFFSETS"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-sentiment-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von Stimmungen auf

Im folgenden Beispiel für list-sentiment-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur Stimmungserkennung aufgelistet.

aws comprehend list-sentiment-detection-jobs

Ausgabe:

{
    "SentimentDetectionJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:sentiment-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "example-sentiment-detection-job",
            "JobStatus": "IN_PROGRESS",
            "SubmitTime": "2023-06-09T22:42:20.545000+00:00",
            "EndTime": "2023-06-09T22:52:27.416000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/MovieData",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a1EXAMPLE2",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:sentiment-detection-job/123456abcdeb0e11022f22a1EXAMPLE2",
            "JobName": "example-sentiment-detection-job-2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T23:16:15.956000+00:00",
            "EndTime": "2023-06-09T23:26:00.168000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/MovieData2",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a1EXAMPLE2/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-tags-for-resource verwendet wird.

AWS CLI

So listen Sie Tags für Ressourcen auf

Im folgenden Beispiel für list-tags-for-resource werden die Tags für eine Amazon-Comprehend-Ressource aufgeführt.

aws comprehend list-tags-for-resource \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1

Ausgabe:

{
    "ResourceArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1",
    "Tags": [
        {
            "Key": "Department",
            "Value": "Finance"
        },
        {
            "Key": "location",
            "Value": "Seattle"
        }
    ]
}

Weitere Informationen finden Sie unter Taggen Ihrer Ressourcen im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter ListTagsForResource in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie list-targeted-sentiment-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Erkennung von zielgerichteten Stimmungen auf

Im folgenden Beispiel für list-targeted-sentiment-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur Erkennung von zielgerichteten Stimmungen aufgelistet.

aws comprehend list-targeted-sentiment-detection-jobs

Ausgabe:

{
    "TargetedSentimentDetectionJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:targeted-sentiment-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName": "example-targeted-sentiment-detection-job",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T22:42:20.545000+00:00",
            "EndTime": "2023-06-09T22:52:27.416000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/MovieData",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-IOrole"
        },
        {
            "JobId": "123456abcdeb0e11022f22a1EXAMPLE2",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:targeted-sentiment-detection-job/123456abcdeb0e11022f22a1EXAMPLE2",
            "JobName": "example-targeted-sentiment-detection-job-2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T23:16:15.956000+00:00",
            "EndTime": "2023-06-09T23:26:00.168000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket/MovieData2",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/testfolder/111122223333-TS-123456abcdeb0e11022f22a1EXAMPLE2/output/output.tar.gz"
            },
            "LanguageCode": "en",
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie list-topics-detection-jobs verwendet wird.

AWS CLI

So listen Sie alle Aufträge zur Themenerkennung auf

Im folgenden Beispiel für list-topics-detection-jobs werden alle laufenden und abgeschlossenen asynchronen Aufträge zur Themenerkennung aufgelistet.

aws comprehend list-topics-detection-jobs

Ausgabe:

{
    "TopicsDetectionJobPropertiesList": [
        {
            "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:topics-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
            "JobName" "topic-analysis-1"
            "JobStatus": "IN_PROGRESS",
            "SubmitTime": "2023-06-09T18:40:35.384000+00:00",
            "EndTime": "2023-06-09T18:46:41.936000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-TOPICS-123456abcdeb0e11022f22a11EXAMPLE/output/output.tar.gz"
            },
            "NumberOfTopics": 10,
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a1EXAMPLE2",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:topics-detection-job/123456abcdeb0e11022f22a1EXAMPLE2",
            "JobName": "topic-analysis-2",
            "JobStatus": "COMPLETED",
            "SubmitTime": "2023-06-09T18:44:43.414000+00:00",
            "EndTime": "2023-06-09T18:50:50.872000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-TOPICS-123456abcdeb0e11022f22a1EXAMPLE2/output/output.tar.gz"
            },
            "NumberOfTopics": 10,
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        },
        {
            "JobId": "123456abcdeb0e11022f22a1EXAMPLE3",
            "JobArn": "arn:aws:comprehend:us-west-2:111122223333:topics-detection-job/123456abcdeb0e11022f22a1EXAMPLE3",
            "JobName": "topic-analysis-2",
            "JobStatus": "IN_PROGRESS",
            "SubmitTime": "2023-06-09T18:50:56.737000+00:00",
            "InputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-bucket",
                "InputFormat": "ONE_DOC_PER_LINE"
            },
            "OutputDataConfig": {
                "S3Uri": "s3://amzn-s3-demo-destination-bucket/thefolder/111122223333-TOPICS-123456abcdeb0e11022f22a1EXAMPLE3/output/output.tar.gz"
            },
            "NumberOfTopics": 10,
            "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role"
        }
    ]
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie put-resource-policy verwendet wird.

AWS CLI

So hängen Sie eine ressourcenbasierte Richtlinie an

Im folgenden Beispiel für put-resource-policy wird einem Modell eine ressourcenbasierte Richtlinie angehängt, sodass diese von einem anderen AWS-Konto importiert werden kann. Die Richtlinie ist an das Modell im Konto 111122223333 angehängt und ermöglicht dem Konto 444455556666, das Modell zu importieren.

aws comprehend put-resource-policy \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1 \
    --resource-policy '{"Version":"2012-10-17","Statement":[{"Effect":"Allow","Action":"comprehend:ImportModel","Resource":"*","Principal":{"AWS":["arn:aws:iam::444455556666:root"]}}]}'

Ausgabe:

{
    "PolicyRevisionId": "aaa111d069d07afaa2aa3106aEXAMPLE"
}

Weitere Informationen finden Sie unter Kopieren benutzerdefinierter Modelle zwischen AWS-Konten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter PutResourcePolicy in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie start-document-classification-job verwendet wird.

AWS CLI

So starten Sie einen Auftrag zur Dokumentenklassifizierung

Im folgenden Beispiel für start-document-classification-job wird ein Auftrag zur Dokumentenklassifizierung mit einem benutzerdefinierten Modell für alle Dateien an der durch das Tag --input-data-config angegebenen Adresse gestartet. In diesem Beispiel enthält der S3-Eingabe-Bucket SampleSMStext1.txt, SampleSMStext2.txt und SampleSMStext3.txt. Das Modell wurde zuvor anhand von Dokumentenklassifizierungen von Spam- und Nicht-Spam-SMS-Nachrichten bzw. „betrügerischen“ SMS-Nachrichten trainiert. Wenn der Auftrag abgeschlossen ist, wird output.tar.gz an der durch das --output-data-config Tag angegebenen Stelle platziert. output.tar.gz enthält die Datei predictions.jsonl, in der die Klassifikation der einzelnen Dokumente aufgeführt ist. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-document-classification-job \
    --job-name exampleclassificationjob \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket-INPUT/jobdata/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --document-classifier-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/mymodel/version/12

Inhalt von SampleSMStext1.txt:

"CONGRATULATIONS! TXT 2155550100 to win $5000"

Inhalt von SampleSMStext2.txt:

"Hi, when do you want me to pick you up from practice?"

Inhalt von SampleSMStext3.txt:

"Plz send bank account # to 2155550100 to claim prize!!"

Ausgabe:

{
    "JobId": "e758dd56b824aa717ceab551fEXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:document-classification-job/e758dd56b824aa717ceab551fEXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von predictions.jsonl:

{"File": "SampleSMSText1.txt", "Line": "0", "Classes": [{"Name": "spam", "Score": 0.9999}, {"Name": "ham", "Score": 0.0001}]}
{"File": "SampleSMStext2.txt", "Line": "0", "Classes": [{"Name": "ham", "Score": 0.9994}, {"Name": "spam", "Score": 0.0006}]}
{"File": "SampleSMSText3.txt", "Line": "0", "Classes": [{"Name": "spam", "Score": 0.9999}, {"Name": "ham", "Score": 0.0001}]}

Weitere Informationen finden Sie unter Benutzerdefinierte Klassifizierung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-dominant-language-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Spracherkennungsauftrag

Im folgenden Beispiel für start-dominant-language-detection-job wird ein asynchroner Spracherkennungsauftrag für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket Sampletext1.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Datei output.txt, die die dominante Sprache der einzelnen Textdateien sowie den Konfidenzwert des vortrainierten Modells für jede Prognose beinhaltet.

aws comprehend start-dominant-language-detection-job \
    --job-name example_language_analysis_job \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --language-code en

Inhalt von Sampletext1.txt:

"Physics is the natural science that involves the study of matter and its motion and behavior through space and time, along with related concepts such as energy and force."

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:dominant-language-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von output.txt:

{"File": "Sampletext1.txt", "Languages": [{"LanguageCode": "en", "Score": 0.9913753867149353}], "Line": 0}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-entities-detection-job verwendet wird.

AWS CLI

Beispiel 1: So starten Sie einen Standardauftrag zur Erkennung von Entitäten mit dem vortrainierten Modell

Im folgenden Beispiel für start-entities-detection-job wird ein asynchroner Auftrag zur Entitätenerkennung für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket Sampletext1.txt, Sampletext2.txt und Sampletext3.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Datei output.txt, die alle benannten Entitäten, die in jeder Textdatei erkannt wurden, sowie den Konfidenzwert des vortrainierten Modells für jede Prognose aufführt. Die JSON-Ausgabe wird in einer Zeile pro Eingabedatei gedruckt, ist aber hier zur Lesbarkeit formatiert.

aws comprehend start-entities-detection-job \
    --job-name entitiestest \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --language-code en

Inhalt von Sampletext1.txt:

"Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card account 1111-XXXX-1111-XXXX has a minimum payment of $24.53 that is due by July 31st."

Inhalt von Sampletext2.txt:

"Dear Max, based on your autopay settings for your account example1.org account, we will withdraw your payment on the due date from your bank account number XXXXXX1111 with the routing number XXXXX0000. "

Inhalt von Sampletext3.txt:

"Jane, please submit any customer feedback from this weekend to AnySpa, 123 Main St, Anywhere and send comments to Alice at AnySpa@example.com."

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von output.txt mit Zeileneinzügen zur besseren Lesbarkeit:

{
"Entities": [
    {
    "BeginOffset": 6,
    "EndOffset": 15,
    "Score": 0.9994006636420306,
    "Text": "Zhang Wei",
    "Type": "PERSON"
    },
    {
    "BeginOffset": 22,
    "EndOffset": 26,
    "Score": 0.9976647915128143,
    "Text": "John",
    "Type": "PERSON"
    },
    {
    "BeginOffset": 33,
    "EndOffset": 67,
    "Score": 0.9984608700836206,
    "Text": "AnyCompany Financial Services, LLC",
    "Type": "ORGANIZATION"
    },
    {
    "BeginOffset": 88,
    "EndOffset": 107,
    "Score": 0.9868521019555556,
    "Text": "1111-XXXX-1111-XXXX",
    "Type": "OTHER"
    },
    {
    "BeginOffset": 133,
    "EndOffset": 139,
    "Score": 0.998242565709204,
    "Text": "$24.53",
    "Type": "QUANTITY"
    },
    {
    "BeginOffset": 155,
    "EndOffset": 164,
    "Score": 0.9993039263159287,
    "Text": "July 31st",
    "Type": "DATE"
    }
],
"File": "SampleText1.txt",
"Line": 0
}
{
"Entities": [
    {
    "BeginOffset": 5,
    "EndOffset": 8,
    "Score": 0.9866232147545232,
    "Text": "Max",
    "Type": "PERSON"
    },
    {
    "BeginOffset": 156,
    "EndOffset": 166,
    "Score": 0.9797723450933329,
    "Text": "XXXXXX1111",
    "Type": "OTHER"
    },
    {
    "BeginOffset": 191,
    "EndOffset": 200,
    "Score": 0.9247838572396843,
    "Text": "XXXXX0000",
    "Type": "OTHER"
    }
],
"File": "SampleText2.txt",
"Line": 0
}
{
 "Entities": [
    {
    "Score": 0.9990532994270325,
    "Type": "PERSON",
    "Text": "Jane",
    "BeginOffset": 0,
    "EndOffset": 4
    },
    {
    "Score": 0.9519651532173157,
    "Type": "DATE",
    "Text": "this weekend",
    "BeginOffset": 47,
    "EndOffset": 59
    },
    {
    "Score": 0.5566426515579224,
    "Type": "ORGANIZATION",
    "Text": "AnySpa",
    "BeginOffset": 63,
    "EndOffset": 69
    },
    {
    "Score": 0.8059805631637573,
    "Type": "LOCATION",
    "Text": "123 Main St, Anywhere",
    "BeginOffset": 71,
    "EndOffset": 92
    },
    {
    "Score": 0.998830258846283,
    "Type": "PERSON",
    "Text": "Alice",
    "BeginOffset": 114,
    "EndOffset": 119
    },
    {
    "Score": 0.997818112373352,
    "Type": "OTHER",
    "Text": "AnySpa@example.com",
    "BeginOffset": 123,
    "EndOffset": 138
    }
    ],
    "File": "SampleText3.txt",
    "Line": 0
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Beispiel 2: So starten Sie einen benutzerdefinierten Auftrag zur Erkennung von Entitäten

Im folgenden Beispiel für start-entities-detection-job wird ein asynchroner Auftrag zur Erkennung benutzerdefinierter Entitäten für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket SampleFeedback1.txt, SampleFeedback2.txt und SampleFeedback3.txt. Das Entitätserkennungsmodell wurde anhand von Feedback des Kundensupports trainiert, um Gerätenamen zu erkennen. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Datei output.txt, die alle benannten Entitäten, die in jeder Textdatei erkannt wurden, sowie den Konfidenzwert des vortrainierten Modells für jede Prognose aufführt. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-entities-detection-job \
    --job-name customentitiestest \
    --entity-recognizer-arn "arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/entityrecognizer" \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/jobdata/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-IOrole"

Inhalt von SampleFeedback1.txt:

"I've been on the AnyPhone app have had issues for 24 hours when trying to pay bill. Cannot make payment. Sigh. | Oh man! Lets get that app up and running. DM me, and we can get to work!"

Inhalt von SampleFeedback2.txt:

"Hi, I have a discrepancy with my new bill. Could we get it sorted out? A rep added stuff I didnt sign up for when I did my AnyPhone 10 upgrade. | We can absolutely get this sorted!"

Inhalt von SampleFeedback3.txt:

"Is the by 1 get 1 free AnySmartPhone promo still going on? | Hi Christian! It ended yesterday, send us a DM if you have any questions and we can take a look at your options!"

Ausgabe:

{
    "JobId": "019ea9edac758806850fa8a79ff83021",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:entities-detection-job/019ea9edac758806850fa8a79ff83021",
    "JobStatus": "SUBMITTED"
}

Inhalt von output.txt mit Zeileneinzügen zur besseren Lesbarkeit:

{
"Entities": [
    {
    "BeginOffset": 17,
    "EndOffset": 25,
    "Score": 0.9999728210205924,
    "Text": "AnyPhone",
    "Type": "DEVICE"
    }
],
"File": "SampleFeedback1.txt",
"Line": 0
}
{
"Entities": [
    {
    "BeginOffset": 123,
    "EndOffset": 133,
    "Score": 0.9999892116761524,
    "Text": "AnyPhone 10",
    "Type": "DEVICE"
    }
],
"File": "SampleFeedback2.txt",
"Line": 0
}
{
"Entities": [
    {
    "BeginOffset": 23,
    "EndOffset": 35,
    "Score": 0.9999971389852362,
    "Text": "AnySmartPhone",
    "Type": "DEVICE"
    }
],
"File": "SampleFeedback3.txt",
"Line": 0
}

Weitere Informationen finden Sie unter Benutzerdefinierte Entitätserkennung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-events-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Ereigniserkennungsauftrag

Im folgenden Beispiel für start-events-detection-job wird ein asynchroner Auftrag zur Ereigniserkennung für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. Zu den möglichen Zielereignistypen gehören BANKRUPCTY, EMPLOYMENT, CORPORATE_ACQUISITION, INVESTMENT_GENERAL, CORPORATE_MERGER, IPO, RIGHTS_ISSUE, SECONDARY_OFFERING, SHELF_OFFERING, TENDER_OFFERING und STOCK_SPLIT. In diesem Beispiel enthält der S3-Bucket SampleText1.txt, SampleText2.txt und SampleText3.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält SampleText1.txt.out, SampleText2.txt.out und SampleText3.txt.out. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-events-detection-job \
    --job-name events-detection-1 \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/EventsData" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-servicerole \
    --language-code en \
    --target-event-types "BANKRUPTCY" "EMPLOYMENT" "CORPORATE_ACQUISITION" "CORPORATE_MERGER" "INVESTMENT_GENERAL"

Inhalt von SampleText1.txt:

"Company AnyCompany grew by increasing sales and through acquisitions. After purchasing competing firms in 2020, AnyBusiness, a part of the AnyBusinessGroup, gave Jane Does firm a going rate of one cent a gallon or forty-two cents a barrel."

Inhalt von SampleText2.txt:

"In 2021, AnyCompany officially purchased AnyBusiness for 100 billion dollars, surprising and exciting the shareholders."

Inhalt von SampleText3.txt:

"In 2022, AnyCompany stock crashed 50. Eventually later that year they filed for bankruptcy."

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:events-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von SampleText1.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "Mentions": [
            {
            "BeginOffset": 8,
            "EndOffset": 18,
            "Score": 0.99977,
            "Text": "AnyCompany",
            "Type": "ORGANIZATION",
            "GroupScore": 1
            },
            {
            "BeginOffset": 112,
            "EndOffset": 123,
            "Score": 0.999747,
            "Text": "AnyBusiness",
            "Type": "ORGANIZATION",
            "GroupScore": 0.979826
            },
            {
            "BeginOffset": 171,
            "EndOffset": 175,
            "Score": 0.999615,
            "Text": "firm",
            "Type": "ORGANIZATION",
            "GroupScore": 0.871647
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 97,
            "EndOffset": 102,
            "Score": 0.987687,
            "Text": "firms",
            "Type": "ORGANIZATION",
            "GroupScore": 1
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 103,
            "EndOffset": 110,
            "Score": 0.999458,
            "Text": "in 2020",
            "Type": "DATE",
            "GroupScore": 1
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 160,
            "EndOffset": 168,
            "Score": 0.999649,
            "Text": "John Doe",
            "Type": "PERSON",
            "GroupScore": 1
            }
        ]
        }
    ],
    "Events": [
        {
        "Type": "CORPORATE_ACQUISITION",
        "Arguments": [
            {
            "EntityIndex": 0,
            "Role": "INVESTOR",
            "Score": 0.99977
            }
        ],
        "Triggers": [
            {
            "BeginOffset": 56,
            "EndOffset": 68,
            "Score": 0.999967,
            "Text": "acquisitions",
            "Type": "CORPORATE_ACQUISITION",
            "GroupScore": 1
            }
        ]
        },
        {
        "Type": "CORPORATE_ACQUISITION",
        "Arguments": [
            {
            "EntityIndex": 1,
            "Role": "INVESTEE",
            "Score": 0.987687
            },
            {
            "EntityIndex": 2,
            "Role": "DATE",
            "Score": 0.999458
            },
            {
            "EntityIndex": 3,
            "Role": "INVESTOR",
            "Score": 0.999649
            }
        ],
        "Triggers": [
            {
            "BeginOffset": 76,
            "EndOffset": 86,
            "Score": 0.999973,
            "Text": "purchasing",
            "Type": "CORPORATE_ACQUISITION",
            "GroupScore": 1
            }
        ]
        }
    ],
    "File": "SampleText1.txt",
    "Line": 0
}

Inhalt von SampleText2.txt.out:

{
    "Entities": [
        {
        "Mentions": [
            {
            "BeginOffset": 0,
            "EndOffset": 7,
            "Score": 0.999473,
            "Text": "In 2021",
            "Type": "DATE",
            "GroupScore": 1
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 9,
            "EndOffset": 19,
            "Score": 0.999636,
            "Text": "AnyCompany",
            "Type": "ORGANIZATION",
            "GroupScore": 1
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 45,
            "EndOffset": 56,
            "Score": 0.999712,
            "Text": "AnyBusiness",
            "Type": "ORGANIZATION",
            "GroupScore": 1
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 61,
            "EndOffset": 80,
            "Score": 0.998886,
            "Text": "100 billion dollars",
            "Type": "MONETARY_VALUE",
            "GroupScore": 1
            }
        ]
        }
    ],
    "Events": [
        {
        "Type": "CORPORATE_ACQUISITION",
        "Arguments": [
            {
            "EntityIndex": 3,
            "Role": "AMOUNT",
            "Score": 0.998886
            },
            {
            "EntityIndex": 2,
            "Role": "INVESTEE",
            "Score": 0.999712
            },
            {
            "EntityIndex": 0,
            "Role": "DATE",
            "Score": 0.999473
            },
            {
            "EntityIndex": 1,
            "Role": "INVESTOR",
            "Score": 0.999636
            }
        ],
        "Triggers": [
            {
            "BeginOffset": 31,
            "EndOffset": 40,
            "Score": 0.99995,
            "Text": "purchased",
            "Type": "CORPORATE_ACQUISITION",
            "GroupScore": 1
            }
        ]
        }
    ],
    "File": "SampleText2.txt",
    "Line": 0
}

Inhalt von SampleText3.txt.out:

{
    "Entities": [
        {
        "Mentions": [
            {
            "BeginOffset": 9,
            "EndOffset": 19,
            "Score": 0.999774,
            "Text": "AnyCompany",
            "Type": "ORGANIZATION",
            "GroupScore": 1
            },
            {
            "BeginOffset": 66,
            "EndOffset": 70,
            "Score": 0.995717,
            "Text": "they",
            "Type": "ORGANIZATION",
            "GroupScore": 0.997626
            }
        ]
        },
        {
        "Mentions": [
            {
            "BeginOffset": 50,
            "EndOffset": 65,
            "Score": 0.999656,
            "Text": "later that year",
            "Type": "DATE",
            "GroupScore": 1
            }
        ]
        }
    ],
    "Events": [
        {
        "Type": "BANKRUPTCY",
        "Arguments": [
            {
            "EntityIndex": 1,
            "Role": "DATE",
            "Score": 0.999656
            },
            {
            "EntityIndex": 0,
            "Role": "FILER",
            "Score": 0.995717
            }
        ],
        "Triggers": [
            {
            "BeginOffset": 81,
            "EndOffset": 91,
            "Score": 0.999936,
            "Text": "bankruptcy",
            "Type": "BANKRUPTCY",
            "GroupScore": 1
            }
        ]
        }
    ],
    "File": "SampleText3.txt",
    "Line": 0
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-flywheel-iteration verwendet wird.

AWS CLI

So starten Sie eine Schwungrad-Iteration

Im folgenden Beispiel für start-flywheel-iteration wird eine Schwungrad-Iteration gestartet. Bei dieser Operation werden alle neuen Datensätze im Schwungrad verwendet, um eine neue Modellversion zu trainieren.

aws comprehend start-flywheel-iteration \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel

Ausgabe:

{
    "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel",
    "FlywheelIterationId": "12345123TEXAMPLE"
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-key-phrases-detection-job verwendet wird.

AWS CLI

So starten Sie einen Auftrag zur Erkennung von Schlüsselphrasen

Im folgenden Beispiel für start-key-phrases-detection-job wird ein asynchroner Auftrag zur Erkennung von Schlüsselphrasen für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket Sampletext1.txt, Sampletext2.txt und Sampletext3.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Datei output.txt, die alle Schlüsselphrasen, die in jeder Textdatei erkannt wurden, sowie den Konfidenzwert des vortrainierten Modells für jede Prognose beinhaltet. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-key-phrases-detection-job \
    --job-name keyphrasesanalysistest1 \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role" \
    --language-code en

Inhalt von Sampletext1.txt:

"Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card account 1111-XXXX-1111-XXXX has a minimum payment of $24.53 that is due by July 31st."

Inhalt von Sampletext2.txt:

"Dear Max, based on your autopay settings for your account Internet.org account, we will withdraw your payment on the due date from your bank account number XXXXXX1111 with the routing number XXXXX0000. "

Inhalt von Sampletext3.txt:

"Jane, please submit any customer feedback from this weekend to Sunshine Spa, 123 Main St, Anywhere and send comments to Alice at AnySpa@example.com."

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von output.txt mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "File": "SampleText1.txt",
    "KeyPhrases": [
        {
        "BeginOffset": 6,
        "EndOffset": 15,
        "Score": 0.9748965572679326,
        "Text": "Zhang Wei"
        },
        {
        "BeginOffset": 22,
        "EndOffset": 26,
        "Score": 0.9997344722354619,
        "Text": "John"
        },
        {
        "BeginOffset": 28,
        "EndOffset": 62,
        "Score": 0.9843791074032948,
        "Text": "Your AnyCompany Financial Services"
        },
        {
        "BeginOffset": 64,
        "EndOffset": 107,
        "Score": 0.8976122401721824,
        "Text": "LLC credit card account 1111-XXXX-1111-XXXX"
        },
        {
        "BeginOffset": 112,
        "EndOffset": 129,
        "Score": 0.9999612982629748,
        "Text": "a minimum payment"
        },
        {
        "BeginOffset": 133,
        "EndOffset": 139,
        "Score": 0.99975728947036,
        "Text": "$24.53"
        },
        {
        "BeginOffset": 155,
        "EndOffset": 164,
        "Score": 0.9940866241449973,
        "Text": "July 31st"
        }
    ],
    "Line": 0
    }
    {
    "File": "SampleText2.txt",
    "KeyPhrases": [
        {
        "BeginOffset": 0,
        "EndOffset": 8,
        "Score": 0.9974021100118472,
        "Text": "Dear Max"
        },
        {
        "BeginOffset": 19,
        "EndOffset": 40,
        "Score": 0.9961120519515884,
        "Text": "your autopay settings"
        },
        {
        "BeginOffset": 45,
        "EndOffset": 78,
        "Score": 0.9980620070116009,
        "Text": "your account Internet.org account"
        },
        {
        "BeginOffset": 97,
        "EndOffset": 109,
        "Score": 0.999919660140754,
        "Text": "your payment"
        },
        {
        "BeginOffset": 113,
        "EndOffset": 125,
        "Score": 0.9998370719754205,
        "Text": "the due date"
        },
        {
        "BeginOffset": 131,
        "EndOffset": 166,
        "Score": 0.9955068678502509,
        "Text": "your bank account number XXXXXX1111"
        },
        {
        "BeginOffset": 172,
        "EndOffset": 200,
        "Score": 0.8653433315829526,
        "Text": "the routing number XXXXX0000"
        }
    ],
    "Line": 0
    }
    {
    "File": "SampleText3.txt",
    "KeyPhrases": [
        {
        "BeginOffset": 0,
        "EndOffset": 4,
        "Score": 0.9142947833681668,
        "Text": "Jane"
        },
        {
        "BeginOffset": 20,
        "EndOffset": 41,
        "Score": 0.9984325676596763,
        "Text": "any customer feedback"
        },
        {
        "BeginOffset": 47,
        "EndOffset": 59,
        "Score": 0.9998782448150636,
        "Text": "this weekend"
        },
        {
        "BeginOffset": 63,
        "EndOffset": 75,
        "Score": 0.99866741830757,
        "Text": "Sunshine Spa"
        },
        {
        "BeginOffset": 77,
        "EndOffset": 88,
        "Score": 0.9695803485466054,
        "Text": "123 Main St"
        },
        {
        "BeginOffset": 108,
        "EndOffset": 116,
        "Score": 0.9997065928550928,
        "Text": "comments"
        },
        {
        "BeginOffset": 120,
        "EndOffset": 125,
        "Score": 0.9993466833825161,
        "Text": "Alice"
        },
        {
        "BeginOffset": 129,
        "EndOffset": 144,
        "Score": 0.9654563612885667,
        "Text": "AnySpa@example.com"
        }
    ],
    "Line": 0
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-pii-entities-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen PII-Erkennungsauftrag

Im folgenden Beispiel für start-pii-entities-detection-job wird ein asynchroner Auftrag zur Erkennung persönlich identifizierbarer Informationen (PII) für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket Sampletext1.txt, Sampletext2.txt und Sampletext3.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Dateien SampleText1.txt.out, SampleText2.txt.out und SampleText3.txt.out, in denen die benannten Entitäten jeder Textdatei aufgeführt sind. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-pii-entities-detection-job \
    --job-name entities_test \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --language-code en \
    --mode ONLY_OFFSETS

Inhalt von Sampletext1.txt:

"Hello Zhang Wei, I am John. Your AnyCompany Financial Services, LLC credit card account 1111-XXXX-1111-XXXX has a minimum payment of $24.53 that is due by July 31st."

Inhalt von Sampletext2.txt:

"Dear Max, based on your autopay settings for your account Internet.org account, we will withdraw your payment on the due date from your bank account number XXXXXX1111 with the routing number XXXXX0000. "

Inhalt von Sampletext3.txt:

"Jane, please submit any customer feedback from this weekend to Sunshine Spa, 123 Main St, Anywhere and send comments to Alice at AnySpa@example.com."

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:pii-entities-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Inhalt von SampleText1.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "BeginOffset": 6,
        "EndOffset": 15,
        "Type": "NAME",
        "Score": 0.9998490510222595
        },
        {
        "BeginOffset": 22,
        "EndOffset": 26,
        "Type": "NAME",
        "Score": 0.9998937958019426
        },
        {
        "BeginOffset": 88,
        "EndOffset": 107,
        "Type": "CREDIT_DEBIT_NUMBER",
        "Score": 0.9554297245278491
        },
        {
        "BeginOffset": 155,
        "EndOffset": 164,
        "Type": "DATE_TIME",
        "Score": 0.9999720462925257
        }
    ],
    "File": "SampleText1.txt",
    "Line": 0
}

Inhalt von SampleText2.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "BeginOffset": 5,
        "EndOffset": 8,
        "Type": "NAME",
        "Score": 0.9994390774924007
        },
        {
        "BeginOffset": 58,
        "EndOffset": 70,
        "Type": "URL",
        "Score": 0.9999958276922101
        },
        {
        "BeginOffset": 156,
        "EndOffset": 166,
        "Type": "BANK_ACCOUNT_NUMBER",
        "Score": 0.9999721058045592
        },
        {
        "BeginOffset": 191,
        "EndOffset": 200,
        "Type": "BANK_ROUTING",
        "Score": 0.9998968945989909
        }
    ],
    "File": "SampleText2.txt",
    "Line": 0
}

Inhalt von SampleText3.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "BeginOffset": 0,
        "EndOffset": 4,
        "Type": "NAME",
        "Score": 0.999949934606805
        },
        {
        "BeginOffset": 77,
        "EndOffset": 88,
        "Type": "ADDRESS",
        "Score": 0.9999035300466904
        },
        {
        "BeginOffset": 120,
        "EndOffset": 125,
        "Type": "NAME",
        "Score": 0.9998203838716296
        },
        {
        "BeginOffset": 129,
        "EndOffset": 144,
        "Type": "EMAIL",
        "Score": 0.9998313473105228
        }
    ],
    "File": "SampleText3.txt",
    "Line": 0
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-sentiment-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Stimmungsanalyseauftrag

Im folgenden Beispiel für start-sentiment-detection-job wird ein asynchroner Erkennungsauftrag zur Stimmungsanalyse für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket-Ordner SampleMovieReview1.txt, SampleMovieReview2.txt und SampleMovieReview3.txt. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --output-data-config angegebenen Ort platziert. Der Ordner enthält die Datei output.txt, die die vorherrschenden Stimmungen für jede Textdatei sowie den Konfidenzwert des vortrainierten Modells für jede Prognose beinhaltet. Die JSON-Ausgabe wird in einer Zeile pro Datei gedruckt, ist aber hier zur besseren Lesbarkeit formatiert.

aws comprehend start-sentiment-detection-job \
    --job-name example-sentiment-detection-job \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/MovieData" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role

Inhalt von SampleMovieReview1.txt:

"The film, AnyMovie2, is fairly predictable and just okay."

Inhalt von SampleMovieReview2.txt:

"AnyMovie2 is the essential sci-fi film that I grew up watching when I was a kid. I highly recommend this movie."

Inhalt von SampleMovieReview3.txt:

"Don't get fooled by the 'awards' for AnyMovie2. All parts of the film were poorly stolen from other modern directors."

Ausgabe:

{
    "JobId": "0b5001e25f62ebb40631a9a1a7fde7b3",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:sentiment-detection-job/0b5001e25f62ebb40631a9a1a7fde7b3",
    "JobStatus": "SUBMITTED"
}

Inhalt von output.txt mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "File": "SampleMovieReview1.txt",
        "Line": 0,
        "Sentiment": "MIXED",
        "SentimentScore": {
            "Mixed": 0.6591159105300903,
            "Negative": 0.26492202281951904,
            "Neutral": 0.035430654883384705,
            "Positive": 0.04053137078881264
            }
        }
    {
    "File": "SampleMovieReview2.txt",
        "Line": 0,
        "Sentiment": "POSITIVE",
        "SentimentScore": {
            "Mixed": 0.000008718466233403888,
            "Negative": 0.00006134175055194646,
            "Neutral": 0.0002941041602753103,
            "Positive": 0.9996358156204224
            }
        }
    {
    "File": "SampleMovieReview3.txt",
        "Line": 0,
        "Sentiment": "NEGATIVE",
        "SentimentScore": {
            "Mixed": 0.004146667663007975,
            "Negative": 0.9645107984542847,
            "Neutral": 0.016559595242142677,
            "Positive": 0.014782938174903393
        }
    }
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-targeted-sentiment-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Auftrag zur Analyse der zielgerichteten Stimmung

Im folgenden Beispiel für start-targeted-sentiment-detection-job wird ein asynchroner Erkennungsauftrag zur Analyse der zielgerichteten Stimmung für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. In diesem Beispiel enthält der S3-Bucket-Ordner SampleMovieReview1.txt, SampleMovieReview2.txt und SampleMovieReview3.txt. Wenn der Auftrag abgeschlossen ist, wird output.tar.gz an den durch das Tag --output-data-config angegebenen Ort platziert. output.tar.gzenthält die Dateien SampleMovieReview1.txt.out, SampleMovieReview2.txt.out und SampleMovieReview3.txt.out, die jeweils alle benannten Entitäten und die zugehörigen Stimmungen für eine einzelne Eingabetextdatei umfassen.

aws comprehend start-targeted-sentiment-detection-job \
    --job-name targeted_movie_review_analysis1 \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/MovieData" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role

Inhalt von SampleMovieReview1.txt:

"The film, AnyMovie, is fairly predictable and just okay."

Inhalt von SampleMovieReview2.txt:

"AnyMovie is the essential sci-fi film that I grew up watching when I was a kid. I highly recommend this movie."

Inhalt von SampleMovieReview3.txt:

"Don't get fooled by the 'awards' for AnyMovie. All parts of the film were poorly stolen from other modern directors."

Ausgabe:

{
    "JobId": "0b5001e25f62ebb40631a9a1a7fde7b3",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:targeted-sentiment-detection-job/0b5001e25f62ebb40631a9a1a7fde7b3",
    "JobStatus": "SUBMITTED"
}

Inhalt von SampleMovieReview1.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 4,
            "EndOffset": 8,
            "Score": 0.994972,
            "GroupScore": 1,
            "Text": "film",
            "Type": "MOVIE",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            }
        ]
        },
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 10,
            "EndOffset": 18,
            "Score": 0.631368,
            "GroupScore": 1,
            "Text": "AnyMovie",
            "Type": "ORGANIZATION",
            "MentionSentiment": {
                "Sentiment": "POSITIVE",
                "SentimentScore": {
                "Mixed": 0.001729,
                "Negative": 0.000001,
                "Neutral": 0.000318,
                "Positive": 0.997952
                }
            }
            }
        ]
        }
    ],
    "File": "SampleMovieReview1.txt",
    "Line": 0
}

Inhalt von SampleMovieReview2.txt.out mit Einzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 0,
            "EndOffset": 8,
            "Score": 0.854024,
            "GroupScore": 1,
            "Text": "AnyMovie",
            "Type": "MOVIE",
            "MentionSentiment": {
                "Sentiment": "POSITIVE",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 0.000007,
                "Positive": 0.999993
                }
            }
            },
            {
            "BeginOffset": 104,
            "EndOffset": 109,
            "Score": 0.999129,
            "GroupScore": 0.502937,
            "Text": "movie",
            "Type": "MOVIE",
            "MentionSentiment": {
                "Sentiment": "POSITIVE",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 0,
                "Positive": 1
                }
            }
            },
            {
            "BeginOffset": 33,
            "EndOffset": 37,
            "Score": 0.999823,
            "GroupScore": 0.999252,
            "Text": "film",
            "Type": "MOVIE",
            "MentionSentiment": {
                "Sentiment": "POSITIVE",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 0.000001,
                "Positive": 0.999999
                }
            }
            }
        ]
        },
        {
        "DescriptiveMentionIndex": [
            0,
            1,
            2
        ],
        "Mentions": [
            {
            "BeginOffset": 43,
            "EndOffset": 44,
            "Score": 0.999997,
            "GroupScore": 1,
            "Text": "I",
            "Type": "PERSON",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            },
            {
            "BeginOffset": 80,
            "EndOffset": 81,
            "Score": 0.999996,
            "GroupScore": 0.52523,
            "Text": "I",
            "Type": "PERSON",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            },
            {
            "BeginOffset": 67,
            "EndOffset": 68,
            "Score": 0.999994,
            "GroupScore": 0.999499,
            "Text": "I",
            "Type": "PERSON",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            }
        ]
        },
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 75,
            "EndOffset": 78,
            "Score": 0.999978,
            "GroupScore": 1,
            "Text": "kid",
            "Type": "PERSON",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            }
        ]
        }
    ],
    "File": "SampleMovieReview2.txt",
    "Line": 0
}

Inhalt von SampleMovieReview3.txt.out mit Zeileneinzügen zur besseren Lesbarkeit:

{
    "Entities": [
        {
        "DescriptiveMentionIndex": [
            1
        ],
        "Mentions": [
            {
            "BeginOffset": 64,
            "EndOffset": 68,
            "Score": 0.992953,
            "GroupScore": 0.999814,
            "Text": "film",
            "Type": "MOVIE",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0.000004,
                "Negative": 0.010425,
                "Neutral": 0.989543,
                "Positive": 0.000027
                }
            }
            },
            {
            "BeginOffset": 37,
            "EndOffset": 45,
            "Score": 0.999782,
            "GroupScore": 1,
            "Text": "AnyMovie",
            "Type": "ORGANIZATION",
            "MentionSentiment": {
                "Sentiment": "POSITIVE",
                "SentimentScore": {
                "Mixed": 0.000095,
                "Negative": 0.039847,
                "Neutral": 0.000673,
                "Positive": 0.959384
                }
            }
            }
        ]
        },
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 47,
            "EndOffset": 50,
            "Score": 0.999991,
            "GroupScore": 1,
            "Text": "All",
            "Type": "QUANTITY",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0.000001,
                "Negative": 0.000001,
                "Neutral": 0.999998,
                "Positive": 0
                }
            }
            }
        ]
        },
        {
        "DescriptiveMentionIndex": [
            0
        ],
        "Mentions": [
            {
            "BeginOffset": 106,
            "EndOffset": 115,
            "Score": 0.542083,
            "GroupScore": 1,
            "Text": "directors",
            "Type": "PERSON",
            "MentionSentiment": {
                "Sentiment": "NEUTRAL",
                "SentimentScore": {
                "Mixed": 0,
                "Negative": 0,
                "Neutral": 1,
                "Positive": 0
                }
            }
            }
        ]
        }
    ],
    "File": "SampleMovieReview3.txt",
    "Line": 0
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie start-topics-detection-job verwendet wird.

AWS CLI

So starten Sie einen Analyseauftrag zur Themenerkennung

Im folgenden Beispiel für start-topics-detection-job wird ein asynchroner Auftrag zur Themenerkennung für alle Dateien gestartet, die sich an der durch das Tag --input-data-config angegebenen Adresse befinden. Wenn der Auftrag abgeschlossen ist, wird der Ordner output an dem durch das Tag --ouput-data-config angegebenen Ort platziert. output enthält die Dateien topic-terms.csv und doc-topics.csv. Die erste Ausgabedatei, topic-terms.csv, ist eine Liste von Themen in der Sammlung. Für jedes Thema enthält die Liste standardmäßig die wichtigsten Begriffe, sortiert nach Themen, entsprechend ihrer Gewichtung. In der zweiten Datei doc-topics.csv werden die Dokumente aufgeführt, die einem Thema zugeordnet sind, sowie der Anteil des Dokuments, der sich mit dem Thema befasst.

aws comprehend start-topics-detection-job \
    --job-name example_topics_detection_job \
    --language-code en \
    --input-data-config "S3Uri=s3://amzn-s3-demo-bucket/" \
    --output-data-config "S3Uri=s3://amzn-s3-demo-destination-bucket/testfolder/" \
    --data-access-role-arn arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role \
    --language-code en

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE",
    "JobArn": "arn:aws:comprehend:us-west-2:111122223333:key-phrases-detection-job/123456abcdeb0e11022f22a11EXAMPLE",
    "JobStatus": "SUBMITTED"
}

Weitere Informationen finden Sie unter Themenmodellierung im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-dominant-language-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Auftrag zur Erkennung der dominanten Sprache

Im folgenden Beispiel für stop-dominant-language-detection-job wird ein laufender asynchroner Auftrag zur Erkennung der dominanten Sprache angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-dominant-language-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-entities-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Auftrag zur Erkennung von Entitäten

Im folgenden Beispiel für stop-entities-detection-job wird ein laufender asynchroner Auftrag zur Entitätserkennung angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-entities-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-events-detection-job verwendet wird.

AWS CLI

So halten Sie einen asynchronen Ereigniserkennungsauftrag an

Im folgenden Beispiel für stop-events-detection-job wird ein laufender asynchroner Auftrag zur Ereigniserkennung angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-events-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-key-phrases-detection-job verwendet wird.

AWS CLI

So halten Sie einen asynchronen Auftrag zur Erkennung von Schlüsselphrasen an

Im folgenden Beispiel für stop-key-phrases-detection-job wird ein laufender asynchroner Auftrag zur Erkennung von Schlüsselphrasen angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-key-phrases-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-pii-entities-detection-job verwendet wird.

AWS CLI

So starten Sie einen asynchronen Auftrag zur Erkennung von PII-Entitäten

Im folgenden Beispiel für stop-pii-entities-detection-job wird ein laufender asynchroner Auftrag zur Erkennung von PII-Entitäten angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-pii-entities-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-sentiment-detection-job verwendet wird.

AWS CLI

So halten Sie einen asynchronen Auftrag zur Erkennung von Stimmungen an

Im folgenden Beispiel für stop-sentiment-detection-job wird ein laufender asynchroner Auftrag zur Stimmungserkennung angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-sentiment-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-targeted-sentiment-detection-job verwendet wird.

AWS CLI

So halten Sie einen asynchronen Auftrag zur Erkennung von zielgerichteten Stimmungen an

Im folgenden Beispiel für stop-targeted-sentiment-detection-job wird ein laufender asynchroner Auftrag zur Erkennung von zielgerichteten Stimmungen angehalten. Wenn der aktuelle Auftragsstatus IN_PROGRESS lautet, wird der Auftrag zur Beendigung markiert und in den Status STOP_REQUESTED versetzt. Wenn der Auftrag abgeschlossen ist, bevor er angehalten werden kann, wird er in den Status COMPLETED versetzt.

aws comprehend stop-targeted-sentiment-detection-job \
    --job-id 123456abcdeb0e11022f22a11EXAMPLE

Ausgabe:

{
    "JobId": "123456abcdeb0e11022f22a11EXAMPLE,
    "JobStatus": "STOP_REQUESTED"
}

Weitere Informationen finden Sie unter Asynchrone Analyse für Amazon-Comprehend-Erkenntnisse im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-training-document-classifier verwendet wird.

AWS CLI

So halten Sie das Training eines Dokumentenklassifizierungsmodells an

Im folgenden Beispiel für stop-training-document-classifier wird das laufende Training eines Dokumentenklassifizierungsmodells angehalten.

aws comprehend stop-training-document-classifier
    --document-classifier-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Erstellen und Verwalten von benutzerdefinierten Modellen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie stop-training-entity-recognizer verwendet wird.

AWS CLI

So halten Sie das Training eines Entitätserkennungsmodells an

Im folgenden Beispiel für stop-training-entity-recognizer wird das laufende Training eines Entitätserkennungsmodells angehalten.

aws comprehend stop-training-entity-recognizer
    --entity-recognizer-arn "arn:aws:comprehend:us-west-2:111122223333:entity-recognizer/examplerecognizer1"

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Erstellen und Verwalten von benutzerdefinierten Modellen im Entwicklerhandbuch für Amazon Comprehend.

Die folgenden Codebeispiele zeigen, wie tag-resource verwendet wird.

AWS CLI

Beispiel 1: So taggen Sie eine Ressource

Im folgenden Beispiel für tag-resource wird einer Amazon-Comprehend-Ressource ein einzelnes Tag hinzugefügt.

aws comprehend tag-resource \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1 \
    --tags Key=Location,Value=Seattle

Dieser Befehl hat keine Ausgabe.

Weitere Informationen finden Sie unter Taggen Ihrer Ressourcen im Entwicklerhandbuch für Amazon Comprehend.

Beispiel 2: So fügen Sie einer Ressource mehrere Tags hinzu

Im folgenden Beispiel für tag-resource werden einer Amazon-Comprehend-Ressource mehrere Tags hinzugefügt.

aws comprehend tag-resource \
    --resource-arn "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1" \
    --tags Key=location,Value=Seattle Key=Department,Value=Finance

Dieser Befehl hat keine Ausgabe.

Weitere Informationen finden Sie unter Taggen Ihrer Ressourcen im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter TagResource in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie untag-resource verwendet wird.

AWS CLI

Beispiel 1: So entfernen Sie ein einzelnes Tag aus einer Ressource

Im folgenden Beispiel für untag-resource wird ein einzelnes Tag aus einer Amazon-Comprehend-Ressource entfernt.

aws comprehend untag-resource \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1
    --tag-keys Location

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Taggen Ihrer Ressourcen im Entwicklerhandbuch für Amazon Comprehend.

Beispiel 2: So entfernen Sie mehrere Tags aus einer Ressource

Im folgenden Beispiel für untag-resource werden mehrere Tags aus einer Amazon-Comprehend-Ressource entfernt.

aws comprehend untag-resource \
    --resource-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/1
    --tag-keys Location Department

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Taggen Ihrer Ressourcen im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter UntagResource in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie update-endpoint verwendet wird.

AWS CLI

Beispiel 1: So aktualisieren Sie die Inferenzeinheiten eines Endpunkts

Im folgenden Beispiel für update-endpoint werden Informationen über einen Endpunkt aktualisiert. In diesem Beispiel wird die Anzahl der Inferenzeinheiten erhöht.

aws comprehend update-endpoint \
    --endpoint-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint
    --desired-inference-units 2

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

Beispiel 2: So aktualisieren Sie das aktive Modell eines Endpunkts

Im folgenden Beispiel für update-endpoint werden Informationen über einen Endpunkt aktualisiert. In diesem Beispiel wird das aktive Modell geändert.

aws comprehend update-endpoint \
    --endpoint-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier-endpoint/example-classifier-endpoint
    --active-model-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier-new

Mit diesem Befehl wird keine Ausgabe zurückgegeben.

Weitere Informationen finden Sie unter Verwalten von Amazon-Comprehend-Endpunkten im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter UpdateEndpoint in der AWS CLI-Befehlsreferenz.

Die folgenden Codebeispiele zeigen, wie update-flywheel verwendet wird.

AWS CLI

So aktualisieren Sie eine Schwungradkonfiguration

Im folgenden Beispiel für update-flywheel wird eine Schwungradkonfiguration aktualisiert. In diesem Beispiel wird das aktive Modell für das Schwungrad aktualisiert.

aws comprehend update-flywheel \
    --flywheel-arn arn:aws:comprehend:us-west-2:111122223333:flywheel/example-flywheel-1 \
    --active-model-arn arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/new-example-classifier-model

Ausgabe:

{
    "FlywheelProperties": {
        "FlywheelArn": "arn:aws:comprehend:us-west-2:111122223333:flywheel/flywheel-entity",
        "ActiveModelArn": "arn:aws:comprehend:us-west-2:111122223333:document-classifier/example-classifier/version/new-example-classifier-model",
        "DataAccessRoleArn": "arn:aws:iam::111122223333:role/service-role/AmazonComprehendServiceRole-example-role",
        "TaskConfig": {
            "LanguageCode": "en",
            "DocumentClassificationConfig": {
                "Mode": "MULTI_CLASS"
            }
        },
        "DataLakeS3Uri": "s3://amzn-s3-demo-bucket/flywheel-entity/schemaVersion=1/20230616T200543Z/",
        "DataSecurityConfig": {},
        "Status": "ACTIVE",
        "ModelType": "DOCUMENT_CLASSIFIER",
        "CreationTime": "2023-06-16T20:05:43.242000+00:00",
        "LastModifiedTime": "2023-06-19T04:00:43.027000+00:00",
        "LatestFlywheelIteration": "20230619T040032Z"
    }
}

Weitere Informationen finden Sie unter Schwungrad-Übersicht im Entwicklerhandbuch für Amazon Comprehend.

  • Weitere API-Informationen finden Sie unter UpdateFlywheel in der AWS CLI-Befehlsreferenz.