Classification des textes

Travailler avec Hugging Face

Jacob H. Marquez

Lead Data Engineer

Classification de texte : Analyse des sentiments

Étiquettes basées sur le ton émotionnel du texte

Sentiment analysis

Applications : analyse des avis, suivi des sentiments sur les réseaux sociaux

Sentiment icon

Analyse des sentiments : exemple de codage

from transformers import pipeline


my_pipeline = pipeline(
    "text-classification",
    model="distilbert-base-uncased-finetuned-sst-2-english"
)

print(my_pipeline("Wi-Fi is slower than a snail today!"))

[{'label': 'NEGATIVE', 'score': 0.99}]

Classification de texte : Exactitude grammaticale

Grammar check

Évalue la grammaire du texte pour vérifier son exactitude

Example of grammatical correctness

Applications : Vérificateurs grammaticaux, outils d'apprentissage des langues

Exactitude grammaticale : exemple de codage

from transformers import pipeline


# Create a pipeline for grammar checking
grammar_checker = pipeline(
    task="text-classification",
    model="abdulmatinomotoso/English_Grammar_Checker"
)

# Check grammar of the input text
print(grammar_checker("He eat pizza every day."))

[{'label': 'LABEL_0', 'score': 0.99}]

Classification de texte : QNLI

$$ Q&A

Vérifie si une prémisse répond à une question
Applications : systèmes de questions-réponses, vérification des faits

Example of QNLI

QNLI : exemple de codage

from transformers import pipeline


classifier = pipeline(
    task="text-classification",
    model="cross-encoder/qnli-electra-base"
)


classifier("Where is Seattle located?, Seattle is located in Washington state.")

[{'label': 'LABEL_0', 'score': 0.997}]

Classification de texte : Attribution dynamique des catégories

Attribue dynamiquement des catégories en fonction du contenu

Category assignment example

Applications : Modération de contenu, systèmes de recommandation

Category Assignment

Attribution dynamique de catégories : exemple de codage

classifier = pipeline(
  task="zero-shot-classification", 
  model="facebook/bart-large-mnli")


text = "Hey, DataCamp; we would like to feature your courses in our newsletter!"
categories = ["marketing", "sales", "support"]


output = classifier(text, categories)


print(f"Top Label: {output['labels'][0]} with score: {output['scores'][0]}")

Top Label: support with score: 0.8183

Défis liés à la classification de textes

Ambiguity

Défis liés à la classification de textes

Sarcasm

Défis liés à la classification de textes

Multilingual

Passons à la pratique !

Travailler avec Hugging Face