Hangulatelemzés az Azure Stream Analytics és a Machine Learning Studio használatával (klasszikus)

Fontos

Az Azure Machine Learning Studio (klasszikus) támogatása 2024. augusztus 31-én megszűnik. Javasoljuk, hogy erre a dátumra váltson az Azure Machine Learningre .

2021. december 1-től nem hozhat létre új Machine Learning Studio-erőforrásokat (klasszikus) (munkaterület- és webszolgáltatás-csomagot). 2024. augusztus 31-ig továbbra is használhatja a Machine Learning Studio (klasszikus) kísérleteket és webszolgáltatásokat. További információk:

• Migrálás az Azure Machine Learningbe a Machine Learning Studióból (klasszikus)
• Mi az Azure Machine Learning?

A Machine Learning Studio (klasszikus) dokumentációja kivezetés alatt áll, és előfordulhat, hogy a jövőben nem frissül.

Ez a cikk bemutatja, hogyan állíthat be egy egyszerű Azure Stream Analytics-feladatot, amely a Machine Learning Studiót (klasszikus) használja a hangulatelemzéshez. A Cortana Intelligence Galleryből származó studioi (klasszikus) hangulatelemzési modellt használ a streamelési szöveges adatok elemzéséhez és a hangulatpontszám meghatározásához.

Tipp.

Kifejezetten ajánlott az Azure Machine Learning UDF-ek használata a Machine Learning Studio (klasszikus) UDF helyett a jobb teljesítmény és megbízhatóság érdekében.

A cikkből tanultakat a következő forgatókönyvekre alkalmazhatja:

• Valós idejű hangulat elemzése az X-adatok streamelése során.
• Ügyfélcsevegések rekordjainak elemzése a támogatási személyzettel.
• Fórumokon, blogokon és videókon található megjegyzések kiértékelése.
• Sok más valós idejű, prediktív pontozási forgatókönyv.

A létrehozott Streaming Analytics-feladat felhasználó által definiált függvényként (UDF) alkalmazza a hangulatelemzési modellt a blobtárolóból származó szöveges mintaadatokra. A kimenet (a hangulatelemzés eredménye) ugyanabba a blobtárolóba lesz írva egy másik CSV-fájlban.

Előfeltételek

Mielőtt hozzálátna, győződjön meg róla, hogy rendelkezik az alábbiakkal:

• Aktív Azure-előfizetés.

• Egy CSV-fájl, benne néhány X-adattal. Letölthet egy mintafájlt a GitHubról, vagy létrehozhatja saját fájlját. Valós forgatókönyv esetén az adatokat közvetlenül egy X-adatfolyamból szerezheti be.

Tároló létrehozása és a CSV bemeneti fájl feltöltése

Ebben a lépésben feltölt egy CSV-fájlt a tárolóba.

1. Az Azure Portalon válassza az Erőforrás>tárfiók> létrehozása lehetőséget.

2. Töltse ki az Alapismeretek lapot az alábbi részletekkel, és hagyja meg a fennmaradó mezők alapértelmezett értékeit:

   Mező	Érték
   Előfizetés	Válassza ki az előfizetését.
   Erőforráscsoport	Válassza ki az erőforráscsoportot.
   Tárfiók neve	Adja meg a tárfiók nevét. A névnek egyedinek kell lennie az Azure-ban.
   Hely	Válassza ki a helyet. Minden erőforrásnak ugyanazt a helyet kell használnia.
   Fiók altípusa	BlobStorage

   

3. Válassza a Felülvizsgálat és létrehozás lehetőséget. Ezután válassza a Létrehozás lehetőséget a tárfiók üzembe helyezéséhez.

4. Ha az üzembe helyezés befejeződött, keresse meg a tárfiókot. A Blob Service szakaszban válassza a Tárolók lehetőséget. Ezután válassza a + Tároló lehetőséget egy új tároló létrehozásához.

   

5. Adjon nevet a tárolónak, és ellenőrizze, hogy a nyilvános hozzáférési szint privátra van-e állítva. Amikor elkészült, válassza a Létrehozás lehetőséget.

   

6. Lépjen az újonnan létrehozott tárolóra, és válassza a Feltöltés lehetőséget. Töltse fel a korábban letöltött sampleinput.csv fájlt.

   

A hangulatelemzési modell hozzáadása a Cortana Intelligence Galleryből

Most, hogy a mintaadatok egy blobban találhatóak, engedélyezheti a hangulatelemzési modellt a Cortana Intelligence Galleryben.

1. Lépjen a prediktív hangulatelemzési modell lapjára a Cortana Intelligence Galleryben.

2. Válassza a Megnyitás a Studióban (klasszikus) lehetőséget.

   

3. Jelentkezzen be a munkaterületre való ugráshoz. Válasszon ki egy helyet.

4. Válassza a Lap alján található Futtatás lehetőséget. A folyamat fut, ami körülbelül egy percet vesz igénybe.

   

5. A folyamat sikeres futtatása után válassza a webszolgáltatás üzembe helyezése lehetőséget a lap alján.

   

6. Annak ellenőrzéséhez, hogy a hangulatelemzési modell készen áll-e a használatra, válassza a Tesztelés gombot. Adjon meg szövegbevitelt, például :"Szeretem a Microsoftot".

   

   Ha a teszt működik, az alábbi példához hasonló eredményt fog látni:

   

7. Az Alkalmazások oszlopban válassza az Excel 2010 vagy korábbi munkafüzet hivatkozását egy Excel-munkafüzet letöltéséhez. A munkafüzet tartalmazza a Stream Analytics-feladat beállításához később szükséges API-kulcsot és URL-címet.

   

A Studio (klasszikus) modellt használó Stream Analytics-feladat létrehozása

Most már létrehozhat egy Stream Analytics-feladatot, amely beolvassa a minta tweeteket a CSV-fájlból a Blob Storage-ban.

A feladat létrehozása

Nyissa meg az Azure Portalt , és hozzon létre egy Stream Analytics-feladatot. Ha nem ismeri ezt a folyamatot, olvassa el a Stream Analytics-feladat létrehozása az Azure Portal használatával című témakört.

A feladat bemenetének konfigurálása

A feladat a korábban a Blob Storage-ba feltöltött CSV-fájlból szerzi be a bemenetét.

1. Keresse meg a Stream Analytics-feladatot. A Feladattopológia területen válassza a Bemenetek lehetőséget. Válassza a Streambemeneti>blobtároló hozzáadása lehetőséget.

2. Töltse ki a Blob Storage adatait a következő értékekkel:

   Mező	Érték
   Bemeneti alias	Adjon nevet a bemenetnek. Jegyezze meg ezt az aliast a lekérdezés írásakor.
   Előfizetés	Válassza ki előfizetését.
   Tárfiók	Válassza ki az előző lépésben létrehozott tárfiókot.
   Tároló	Válassza ki az előző lépésben létrehozott tárolót.
   Eseményszerializációs formátum	CSV

3. Válassza a Mentés lehetőséget.

A feladat kimenetének konfigurálása

A feladat ugyanahhoz a blobtárolóhoz küld eredményeket, ahol bemenetet kap.

1. Keresse meg a Stream Analytics-feladatot. A Feladattopológia területen válassza a Kimenetek lehetőséget. Válassza a Blob Storage hozzáadása>lehetőséget.

2. Töltse ki a Blob Storage űrlapot az alábbi értékekkel:

   Mező	Érték
   Bemeneti alias	Adjon nevet a bemenetnek. Jegyezze meg ezt az aliast a lekérdezés írásakor.
   Előfizetés	Válassza ki előfizetését.
   Tárfiók	Válassza ki az előző lépésben létrehozott tárfiókot.
   Tároló	Válassza ki az előző lépésben létrehozott tárolót.
   Eseményszerializációs formátum	CSV

3. Válassza a Mentés lehetőséget.

A Studio (klasszikus) függvény hozzáadása

Korábban közzétett egy (klasszikus) Studio-modellt egy webszolgáltatásban. Ebben a forgatókönyvben a Stream Analysis-feladat futtatásakor minden egyes minta tweetet elküld a bemenetből a webszolgáltatásnak hangulatelemzés céljából. A Studio (klasszikus) webszolgáltatás egy hangulatot (positivevagy negative) ad vissza, és annak valószínűségét, neutralhogy a tweet pozitív.

Ebben a szakaszban egy függvényt határoz meg a Stream Analysis-feladatban. A függvény meghívható, hogy tweetet küldjön a webszolgáltatásnak, és megkapja a választ.

1. Győződjön meg arról, hogy rendelkezik az Excel-munkafüzetben korábban letöltött webszolgáltatás URL-címével és API-kulcsával.

2. Keresse meg a Stream Analytics-feladatot. Ezután válassza a Functions>+ Add Azure ML Studio (Azure ML Studio hozzáadása>) lehetőséget

3. Töltse ki az Azure Machine Learning függvényűrlapot a következő értékekkel:

   Mező	Érték
   Függvény aliasa	Használja a nevet sentiment , és válassza az Azure Machine Learning-függvény beállításainak manuális megadása lehetőséget, amely lehetővé teszi az URL-cím és a kulcs megadását.
   URL-cím	Illessze be a webszolgáltatás URL-címét.
   Kulcs	Illessze be az API-kulcsot.

4. válassza a Mentés lehetőséget.

Lekérdezés létrehozása az adatok átalakításához

A Stream Analytics deklaratív, SQL-alapú lekérdezéssel vizsgálja meg és dolgozza fel a bemenetet. Ebben a szakaszban létrehoz egy lekérdezést, amely beolvassa az egyes tweeteket a bemenetből, majd meghívja a Studio (klasszikus) függvényt a hangulatelemzés végrehajtásához. A lekérdezés ezután elküldi az eredményt a megadott kimenetnek (blobtároló).

1. Térjen vissza a Stream Analytics-feladat áttekintéséhez.

2. A Feladattopológia területen válassza a Lekérdezés lehetőséget.

3. Adja meg a következő lekérdezést:

   WITH sentiment AS (  
   SELECT text, sentiment1(text) as result 
   FROM <input>  
   )  
   
   SELECT text, result.[Score]  
   INTO <output>
   FROM sentiment  
   

   A lekérdezés meghívja a korábbansentiment () létrehozott függvényt, hogy hangulatelemzést végezzen a bemenet minden tweetjén.

4. kattintson a Mentés gombra a lekérdezés mentéséhez.

A Stream Analytics-feladat indítása és a kimenet ellenőrzése

Most már elindíthatja a Stream Analytics-feladatot.

A feladat indítása

1. Térjen vissza a Stream Analytics-feladat áttekintéséhez.

2. válassza a Lap tetején a Start elemet.

3. A Start feladatban válassza az Egyéni lehetőséget, majd a CSV-fájl blobtárolóba való feltöltése előtt egy nappal. Amikor elkészült, válassza ki az Indítás lehetőséget.

A kimenet ellenőrzése

1. Futtassa a feladatot néhány percig, amíg meg nem jelenik a tevékenység a Figyelés mezőben.

2. Ha rendelkezik olyan eszközzel, amelyet általában a blobtároló tartalmának vizsgálatára használ, az eszközzel vizsgálja meg a tárolót. Másik lehetőségként hajtsa végre a következő lépéseket az Azure Portalon:

   1. Az Azure Portalon keresse meg a tárfiókot, és a fiókon belül keresse meg a tárolót. A tárolóban két fájl látható: a minta tweeteket tartalmazó fájl és a Stream Analytics-feladat által létrehozott CSV-fájl.
   2. Kattintson a jobb gombbal a létrehozott fájlra, majd válassza a Letöltés lehetőséget.

3. Nyissa meg a létrehozott CSV-fájlt. A következő példához hasonlót láthat:

   

Metrikák megtekintése

A Studio (klasszikus) függvényekkel kapcsolatos metrikáit is megtekintheti. A feladat áttekintésének Figyelés mezőjében a következő függvényekkel kapcsolatos metrikák jelennek meg:

• A függvénykérelmek a Studio (klasszikus) webszolgáltatásnak küldött kérések számát jelzik.
• A függvényesemények a kérelemben szereplő események számát jelzik. Alapértelmezés szerint a Studio (klasszikus) webszolgáltatáshoz érkező minden kérés legfeljebb 1000 eseményt tartalmaz.

Következő lépések

• Az Azure Stream Analytics bemutatása
• Azure Stream Analytics Query Language Reference (Referencia az Azure Stream Analytics lekérdezési nyelvhez)
• A REST API és a Machine Learning Studio integrálása (klasszikus)
• Az Azure Stream Analytics felügyeleti REST API referenciája