Hugging Face pipelines สำหรับการวิเคราะห์ความรู้สึก

การประมวลผลภาษาธรรมชาติ (NLP) ด้วย Python

Fouad Trad

Machine Learning Engineer

ทบทวน: NLP workflow

แผนภาพ workflow ฉบับสมบูรณ์ที่ระบุว่า Chapter 1 ครอบคลุม preprocessing และ Chapter 2 ครอบคลุม feature extraction

Hugging Face pipelines

แผนภาพ workflow ฉบับสมบูรณ์ที่ระบุว่า Chapters 3 และ 4 จะครอบคลุม Hugging Face pipelines ซึ่งรวมทุกขั้นตอน ได้แก่ preprocessing, feature extraction และ modeling

workflow สำเร็จรูปที่จัดการทุกขั้นตอนในการเรียกฟังก์ชันครั้งเดียว
การสร้าง pipeline ต้องกำหนด:
- งาน NLP
- โมเดลที่ใช้ดำเนินงาน

Pipeline สำหรับการวิเคราะห์ความรู้สึก

งานจำแนกประเภทข้อความ
ทำนายว่าข้อความแสดงอารมณ์เชิงบวกหรือเชิงลบ

ภาพแสดงหน้ายิ้มพร้อมนิ้วโป้งขึ้นสำหรับความรู้สึกเชิงบวก และหน้าเศร้าพร้อมนิ้วโป้งลงสำหรับความรู้สึกเชิงลบ

โมเดลสำหรับการจำแนกประเภทข้อความ

GIF แสดงการเลื่อนดูเว็บไซต์และเลือกงานที่ต้องการเพื่อค้นหาโมเดลที่เหมาะสม

¹ https://huggingface.co/models

Pipeline ในโค้ด

from transformers import pipeline


classification_pipeline = pipeline(

  task="sentiment-analysis", # or text-classification

  model="distilbert/distilbert-base-uncased-finetuned-sst-2-english" 
)

result = classification_pipeline("I really liked the movie!!")

print(result)

[{'label': 'POSITIVE', 'score': 0.9998093247413635}]

การวิเคราะห์ความรู้สึกกับข้อความหลายรายการพร้อมกัน

texts = ["I really liked the movie!!",
         "Great job ruining my day.",
         "This product exceeded my expectations.",
         "Wow, just what I needed... another problem.", 
         "Absolutely fantastic experience!"]

results = classification_pipeline(texts)

print(results)

[{'label': 'POSITIVE', 'score': 0.9998093247413635}, 
 {'label': 'NEGATIVE', 'score': 0.8666700124740601}, 
 {'label': 'POSITIVE', 'score': 0.998874843120575}, 
 {'label': 'POSITIVE', 'score': 0.98626708984375}, 
 {'label': 'POSITIVE', 'score': 0.9998812675476074}]

การประเมินโมเดลวิเคราะห์ความรู้สึก

texts = ["I really liked the movie!!",
         "Great job ruining my day.",
         "This product exceeded my expectations.",
         "Wow, just what I needed... another problem.", 
         "Absolutely fantastic experience!"]

true_labels = ["POSITIVE", "NEGATIVE", "POSITIVE", "NEGATIVE", "POSITIVE"]

results = classification_pipeline(texts)

predicted_labels = [result['label'] for result in results]

from sklearn.metrics import accuracy_score
accuracy = accuracy_score(true_labels, predicted_labels)

print(f"Accuracy: {accuracy}")

Accuracy: 0.80

มาฝึกกันเถอะ!

การประมวลผลภาษาธรรมชาติ (NLP) ด้วย Python