Klasyfikacja tekstu

Praca z Hugging Face

Jacob H. Marquez

Lead Data Engineer

Klasyfikacja tekstu: Analiza sentymentu

Etykietuje tekst na podstawie tonu emocjonalnego

Analiza sentymentu

Zastosowania: Analiza recenzji, monitorowanie sentymentu w mediach społecznościowych

Ikona sentymentu

Analiza sentymentu: przykład kodu

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}]

Klasyfikacja tekstu: Poprawność gramatyczna

Sprawdzanie gramatyki

Ocenia poprawność gramatyczną tekstu

Przykład poprawności gramatycznej

Zastosowania: Narzędzia do sprawdzania gramatyki, nauka języków

Poprawność gramatyczna: przykład kodu

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}]

Klasyfikacja tekstu: QNLI

$$ Q&A

Sprawdza, czy przesłanka odpowiada na pytanie
Zastosowania: Systemy Q&A, weryfikacja faktów

Przykład QNLI

QNLI: przykład kodu

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}]

Klasyfikacja tekstu: Dynamiczne przypisywanie kategorii

Dynamicznie przypisuje kategorie na podstawie treści

Przykład przypisywania kategorii

Zastosowania: Moderacja treści, systemy rekomendacji

Przypisywanie kategorii

Dynamiczne przypisywanie kategorii: przykład kodu

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

Wyzwania klasyfikacji tekstu

Niejednoznaczność

Wyzwania klasyfikacji tekstu

Sarkazm

Wyzwania klasyfikacji tekstu

Wielojęzyczność

Czas na ćwiczenia!

Praca z Hugging Face