本 Code Pattern 是自然语言处理入门学习路径的一部分。
| 级别 | 主题 | 类型 |
|---|---|---|
| 100 | Watson 自然语言处理简介 | 文章 |
| 101 | 深入了解 Watson Natural Language Understanding 中的语法 API 功能 | 文章 |
| 201 | 使用 Watson Natural Language Understanding 呈现非结构化数据 | Code Pattern |
| 301 | 发现隐藏的 Facebook 使用洞察 | Code Pattern |
摘要
结合使用 Jupyter Notebook、Cognos Dashboard Embedded 和 IBM Watson™ Natural Language Processing 的强大功能，从海量的非结构化 Facebook 数据中收集有用的市场营销洞察。为帮助提升品牌认知度、产品性能、客户满意度及受众参与度，我们将从 Facebook Analytics 导出内容中获取数据，通过 Watson Visual Recognition 和 Natural Language Understanding 扩充这些数据，并创建交互式图表来展示结果。感谢 Anna Quincy 和 Tyler Andersen 提供最初的 Notebook 设计。
概览
首先从 Facebook Analytics 中导出数据，然后使用 Watson API 扩充这些数据。
使用扩充后的数据来回答如下问题：
- 在参与度最高的帖子中，哪种情绪最普遍？
- 哪种情感的平均参与度分数更高？
- 您的帖子中最常见的关键字、实体和对象是什么？
这些类型的洞察对于想要了解和提升品牌认知度、产品性能、客户满意度和受众参与度的营销分析师来说很有帮助。值得注意的是，本 Code Pattern 旨在用作指导性实验，而不是用作具有一组输出的应用程序。
标准的 Facebook Analytics 导出内容包含来自帖子、文章和缩略图的文本，以及标准的 Facebook 性能指标（例如，点赞量、分享量和观后感）。可以使用 Watson API 扩充这些非结构化内容，以提取关键字、实体、情绪和情感。
使用 Watson API 扩充数据后，可以使用多种方式来分析这些数据。Watson Studio 提供了一种可浏览 Facebook 内容的强大而灵活的方法。
本 Code Pattern 提供了 Facebook 模拟数据和一个 Notebook，并附带了一些预先构建的可视化，可帮助您开始发掘隐藏的洞察。学完本 Code Pattern 后，您将掌握如何：
- 使用 Watson Studio Object Storage 和 pandas DataFrame 将外部数据读入 Jupyter Notebook 中。
- 使用 Jupyter Notebook 以及 Watson Visual Recognition 和 Natural Language Understanding 来扩充非结构化数据。
- 使用 Cognos Dashboard Embedded 浏览数据并可视化洞察。
流程
- 将从 Facebook Analytics 导出的 CSV 文件添加到 IBM Cloud Object Storage 中。
- 生成的代码将该文件作为 pandas DataFrame 提供，并使其可供访问。
- 使用 Watson Natural Language Understanding 扩充数据。
- 使用 Watson Visual Recognition 扩充数据。
- 使用仪表板可视化扩充后的数据并发掘隐藏的洞察。
操作说明
准备好实践本 Code Pattern 了吗？参阅 README 文件，获取有关如何开始运行和使用此应用程序的完整详细信息。
结束语
本 Code Pattern 展示了如何结合使用 Jupyter Notebook、IBM Watson 服务、Cloud Object Storage 和仪表板，从海量的非结构化 Facebook 数据中收集有用的市场营销洞察。本 Code Pattern 是自然语言处理入门学习路径的一部分。
本文翻译自：Discover hidden Facebook usage insights（2020-07-27）