Oktatóanyag: Webhely-megjegyzések hangulatának elemzése egy webalkalmazásban a ML.NET Model Builder használatával

Megtudhatja, hogyan elemezheti a megjegyzések hangulatát valós időben egy webalkalmazásban.

Ez az oktatóanyag bemutatja, hogyan hozhat létre egy ASP.NET Core Razor Pages-alkalmazást, amely valós időben osztályozza a webhely megjegyzéseinek hangulatát.

Ebben az oktatóanyagban a következőket sajátíthatja el:

ASP.NET Core Razor Pages-alkalmazás létrehozása
Az adatok előkészítése és értelmezése
Forgatókönyv kiválasztása
Töltse be az adatokat
A modell betanítása
A modell kiértékelése
A modell használata előrejelzésekhez

Az oktatóanyag forráskódját a dotnet/machinelearning-samples adattárban találja.

Prerequisites

Az előfeltételek és a telepítési utasítások listáját a Model Builder telepítési útmutatójában találja.

Razor Pages-alkalmazás létrehozása

Hozzon létre egy ASP.NET Core Razor Pages-alkalmazást.

A Visual Studióban nyissa meg az Új projekt létrehozása párbeszédpanelt .
Az "Új projekt létrehozása" párbeszédpanelen válassza ki a ASP.NET Core Web App-projektsablont.
A Név szövegmezőbe írja be a "SentimentRazor" kifejezést, és válassza a Tovább gombot.
A További információ párbeszédpanelen hagyja meg az összes alapértelmezett beállítást, és válassza a Létrehozás lehetőséget.

Az adatok előkészítése és értelmezése

Töltse le a Wikipedia detox adatkészletét. Amikor megnyílik a weblap, kattintson a jobb gombbal a lapra, válassza a Mentés másként lehetőséget, és mentse a fájlt bárhol a számítógépen.

A wikipedia-detox-250-line-data.tsv adatkészlet minden sora egy másik áttekintést jelöl, amelyet egy felhasználó hagyott a Wikipédián. Az első oszlop a szöveg hangulatát jelöli (0 nem mérgező, 1 mérgező), a második oszlop pedig a felhasználó által hagyott megjegyzést jelöli. Az oszlopok fülekkel vannak elválasztva. Az adatok a következőképpen néznek ki:

Sentiment	SentimentText
1	==RUDE== Haver, akkor durva feltölteni, hogy Carl kép vissza, vagy más.
1	== OK! == IM MEGY VANDALIZE WILD ONES WIKI AKKOR!!
0	Remélem, ez segít.

Model Builder konfigurációs fájl létrehozása

Amikor először hozzáad egy gépi tanulási modellt a megoldáshoz, a rendszer kérni fogja, hogy hozzon létre egy mbconfig fájlt. A mbconfig fájl nyomon követi a Model Builderben elvégezhető összes műveletet, hogy újra megnyissa a munkamenetet.

A Megoldáskezelőben kattintson a jobb gombbal a SentimentRazor projektre, és válassza aMachine Learning-modellhozzáadása> lehetőséget.
A párbeszédpanelen nevezze el a Model Builder projekt SentimentAnalysis.mbconfig nevét, és válassza a Hozzáadás lehetőséget.

Forgatókönyv kiválasztása

A modell betanítása érdekében a Model Builder által biztosított elérhető gépi tanulási forgatókönyvek listájából kell választania.

Ebben a mintában a feladat szövegbesorolás. A Model Builder bővítmény Forgatókönyv lépésében válassza ki a Szövegbesorolási forgatókönyvet .

Környezet kiválasztása

A Model Builder a kiválasztott forgatókönyvtől függően különböző környezeteken taníthat be.

Válassza a Helyi (GPU) lehetőséget környezetként, majd kattintson a Következő lépés gombra.

Note

Ez a forgatókönyv olyan mélytanulási technikákat használ, amelyek GPU-környezetekben a legjobban működnek. Ha nem rendelkezik GPU-val, válassza a Helyi (CPU) környezetet, de vegye figyelembe, hogy a betanított idő jelentősen hosszabb lesz. A GPU-k a Model Builderrel való használatával kapcsolatos további információkért tekintse meg a Gpu-támogatást a Model Builder útmutatójában.

Töltse be az adatokat

A Model Builder két forrásból, egy SQL Server-adatbázisból vagy egy helyi fájlból fogad adatokat vagy tsv formátumotcsv.

A Model Builder eszköz adatlépésében válassza a Fájl lehetőséget az adatforrás beállításai közül.
Válassza a Fájl szövegdoboz melletti gombot, és a Fájlkezelővel tallózzon és válassza ki a wikipedia-detox-250-line-data.tsv fájlt.
Válassza az Oszlop hangulata lehetőséget a (Címke) legördülő lista előrejelzéséhez .
Válassza a Hangulatszöveg lehetőséget a Szövegoszlop legördülő listában.
A Következő lépés gombra kattintva lépjen a Model Builder következő lépésére.

A modell betanítása

Az oktatóanyagban a hangulatelemzési modell betanítása során használt gépi tanulási feladat a szövegbesorolás. A modellbetanítási folyamat során a Model Builder a NAS-BERT neurális hálózati architektúrával tanít be egy szövegbesorolási modellt az adathalmazhoz.

Válassza a Betanítás indítása lehetőséget.
A betanítás befejezése után a betanítási folyamat eredményei megjelennek a Betanítási képernyő Betanítási eredmények szakaszában. A betanítási eredmények mellett három kód mögötti fájl is létrejön a SentimentAnalysis.mbconfig fájlban.
- SentimentAnalysis.consumption.cs – Ez a fájl tartalmazza a ModelInput modell felhasználásához létrehozott sémákat és ModelOutput sémákat Predict .
- SentimentAnalysis.training.cs – Ez a fájl tartalmazza a Model Builder által a modell betanításához kiválasztott betanítási folyamatot (adatátalakítások, trénerek, tréner hiperparaméterek). Ezt a folyamatot használhatja a modell újratanításához.
- * SentimentAnalysis.mlnet – Ez a fájl egy ML.NET modell metaadatait és konfigurációs adatait tartalmazza.
A Következő lépés gombra kattintva lépjen a következő lépésre.

A modell kiértékelése

A betanítási lépés eredménye egy olyan modell lesz, amely a legjobb teljesítményt nyújtja. A Model Builder eszköz kiértékelési lépésében a kimeneti szakasz tartalmazza a legjobb teljesítményt nyújtó modell által a kiértékelési metrikákban használt trénert.

Ha nem elégedett a kiértékelési metrikákkal, a modell teljesítményének javításának néhány egyszerű módja a további adatok használata.

Ellenkező esetben a Következő lépés gombra kattintva lépjen a Modellszerkesztő Használat lépésére.

Használati projektsablonok hozzáadása (nem kötelező)

A Használat lépésben a Model Builder olyan projektsablonokat biztosít, amelyekkel felhasználhatja a modellt. Ez a lépés nem kötelező, és kiválaszthatja az igényeinek leginkább megfelelő módszert a modell használatához.

Console application
Web API

Adja hozzá a kódot az előrejelzések készítéséhez

A PredictionEngine készlet konfigurálása

Egyetlen előrejelzés létrehozásához létre kell hoznia egy PredictionEngine<TSrc,TDst>. PredictionEngine<TSrc,TDst> nem szálbiztos. Emellett mindenhol létre kell hoznia egy példányt, amire szükség van az alkalmazásban. Az alkalmazás növekedésével ez a folyamat kezelhetetlenné válhat. A jobb teljesítmény és a szálbiztonság érdekében használja a függőséginjektálás és a PredictionEnginePool szolgáltatás kombinációját, amely objektumokat hoz létre ObjectPool<T>PredictionEngine<TSrc,TDst> az alkalmazás teljes területén való használatra.

Telepítse a Microsoft.Extensions.ML NuGet-csomagot:
1. A Megoldáskezelőterületen kattintson a jobb gombbal a projektre, és válassza a NuGet-csomagok kezeléselehetőséget.
2. Válassza a "nuget.org" lehetőséget a Csomag forrásaként.
3. Válassza a Tallózás lapot, és keresse meg a Microsoft.Extensions.ML.
4. Válassza ki a csomagot a listában, és válassza a Telepítés lehetőséget.
5. Válassza az OK gombot a Változások előnézete párbeszédpanelen
6. Ha elfogadja a felsorolt csomagok licencfeltételét, válassza az Elfogadom gombot a Licenc elfogadása párbeszédpanelen.
Nyissa meg a Program.cs fájlt a SentimentRazor projektben.
Adja hozzá a következő using irányelveket a Microsoft.Extensions.ML NuGet-csomagra és a SentimentRazorML.Model projektre való hivatkozáshoz :
```
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
```

Konfigurálja az PredictionEnginePool<TData,TPrediction> alkalmazást a Program.cs fájlban:

builder.Services.AddPredictionEnginePool<ModelInput, ModelOutput>()
    .FromFile("SentimentAnalysis.mlnet");

Hangulatelemzési kezelő létrehozása

Az előrejelzések az alkalmazás főoldalán lesznek. Ezért hozzá kell adni egy olyan módszert, amely a felhasználói bemenetet használja, és az PredictionEnginePool<TData,TPrediction> előrejelzés visszaadásához használja.

Nyissa meg a Pages könyvtárban található Index.cshtml.cs fájlt, és adja hozzá a következő using irányelveket:
```
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
```
Ahhoz, hogy a PredictionEnginePool<TData,TPrediction>Program.cs fájlban konfiguráltat használhassa, be kell szúrnia annak a modellnek a konstruktorába, ahol használni szeretné.
Adjon hozzá egy változót, amely a PredictionEnginePool<TData,TPrediction>IndexModelPages/Index.cshtml.cs fájlon belüli osztályra hivatkozik.
```
private readonly PredictionEnginePool<ModelInput, ModelOutput> _predictionEnginePool;
```

Módosítsa a konstruktort az IndexModel osztályban, és adja hozzá a PredictionEnginePool<TData,TPrediction> szolgáltatást.

public IndexModel(ILogger<IndexModel> logger, PredictionEnginePool<ModelInput, ModelOutput> predictionEnginePool)
{
    _logger = logger;
    _predictionEnginePool = predictionEnginePool;
}

Hozzon létre egy metóduskezelőt, amely a PredictionEnginePool weblapról kapott felhasználói bemenetből származó előrejelzéseket készít.
1. OnGet A metódus alatt hozzon létre egy új, úgynevezett metódustOnGetAnalyzeSentiment
```
public IActionResult OnGetAnalyzeSentiment([FromQuery] string text)
{

}
```
2. A metóduson OnGetAnalyzeSentimentbelül semleges hangulatot ad vissza, ha a felhasználó bemenete üres vagy null.
```
if (String.IsNullOrEmpty(text)) return Content("Neutral");
```
3. Érvényes bemenet esetén hozzon létre egy új példányt.ModelInput
```
var input = new ModelInput { SentimentText = text };
```
4. A hangulat előrejelzéséhez használja a PredictionEnginePool<TData,TPrediction> elemet.
```
var prediction = _predictionEnginePool.Predict(input);
```
5. Konvertálja az előrejelzett bool értéket mérgezővé vagy nem mérgezővé az alábbi kóddal.
```
var sentiment = Convert.ToBoolean(prediction.PredictedLabel) ? "Toxic" : "Not Toxic";
```
6. Végül adja vissza a hangulatot a weblapra.
```
return Content(sentiment);
```

A weblap konfigurálása

A visszaadott OnGetAnalyzeSentiment eredmények dinamikusan jelennek meg a Index weblapon.

Nyissa meg az Index.cshtml fájlt a Pages könyvtárban, és cserélje le annak tartalmát a következő kódra:

@page
@model IndexModel
@{
    ViewData["Title"] = "Home page";
}

<div class="text-center">
    <h2>Live Sentiment</h2>

    <p><textarea id="Message" cols="45" placeholder="Type any text like a short review"></textarea></p>

    <div class="sentiment">
        <h4>Your sentiment is...</h4>
        <p>😡 😐 😍</p>

        <div class="marker">
            <div id="markerPosition" style="left: 45%;">
                <div>▲</div>
                <label id="markerValue">Neutral</label>
            </div>
        </div>
    </div>
</div>

Ezután adja hozzá a css-stíluskódot a wwwroot\css könyvtár site.css oldalának végéhez:

/* Style for sentiment display */

.sentiment {
    background-color: #eee;
    position: relative;
    display: inline-block;
    padding: 1rem;
    padding-bottom: 0;
    border-radius: 1rem;
}

.sentiment h4 {
    font-size: 16px;
    text-align: center;
    margin: 0;
    padding: 0;
}

.sentiment p {
    font-size: 50px;
}

.sentiment .marker {
    position: relative;
    left: 22px;
    width: calc(100% - 68px);
}

.sentiment .marker > div {
    transition: 0.3s ease-in-out;
    position: absolute;
    margin-left: -30px;
    text-align: center;
}

.sentiment .marker > div > div {
    font-size: 50px;
    line-height: 20px;
    color: green;
}

.sentiment .marker > div label {
    font-size: 30px;
    color: gray;
}

Ezután adjon hozzá kódot a weblapról a kezelőnek küldött bemenetekhez OnGetAnalyzeSentiment .

A wwwroot\js könyvtárban található site.js fájlban hozzon létre egy függvényt, amely meghív getSentiment egy GET HTTP-kérést a OnGetAnalyzeSentiment kezelő felhasználói bemenetével.
```
function getSentiment(userInput) {
    return fetch(`Index?handler=AnalyzeSentiment&text=${userInput}`)
        .then((response) => {
            return response.text();
        })
}
```
Az alábbiakban adjon hozzá egy másik függvényt updateMarker , amely dinamikusan frissíti a jelölő pozícióját a weblapon a hangulat előrejelzése szerint.
```
function updateMarker(markerPosition, sentiment) {
    $("#markerPosition").attr("style", `left:${markerPosition}%`);
    $("#markerValue").text(sentiment);
}
```

Hozzon létre egy eseménykezelő függvényt, amely a updateSentiment felhasználótól kéri le a bemenetet, küldje el a OnGetAnalyzeSentiment függvénynek a getSentiment függvény használatával, és frissítse a jelölőt a updateMarker függvénnyel.

function updateSentiment() {

    var userInput = $("#Message").val();

    getSentiment(userInput)
        .then((sentiment) => {
            switch (sentiment) {
                case "Not Toxic":
                    updateMarker(100.0, sentiment);
                    break;
                case "Toxic":
                    updateMarker(0.0, sentiment);
                    break;
                default:
                    updateMarker(45.0, "Neutral");
            }
        });
}

Végül regisztrálja az eseménykezelőt, és kösse az textarea elemhez az id=Message attribútummal.
```
$("#Message").on('change input paste', updateSentiment)
```

Az alkalmazás futtatása

Most, hogy az alkalmazás be van állítva, futtassa az alkalmazást, amelynek a böngészőben kell elindulnia.

Amikor az alkalmazás elindul, írja be a szövegterületre az Ez a modell nem rendelkezik elegendő adatval . Az előrejelzett hangulatnak mérgezőnek kell lennie.

Futó ablak az előrejelzett hangulatablakkal

Note

PredictionEnginePool<TData,TPrediction>több példányt hoz létre.PredictionEngine<TSrc,TDst> A modell mérete miatt, amikor először használja az előrejelzéshez, eltarthat néhány másodpercig. A későbbi előrejelzéseknek azonnaliaknak kell lenniük.

Next steps

Ez az oktatóanyag bemutatta, hogyan végezheti el az alábbi műveleteket:

ASP.NET Core Razor Pages-alkalmazás létrehozása
Az adatok előkészítése és értelmezése
Forgatókönyv kiválasztása
Töltse be az adatokat
A modell betanítása
A modell kiértékelése
A modell használata előrejelzésekhez

Additional Resources

Az oktatóanyagban említett témakörökről az alábbi forrásokból tudhat meg többet:

Visszajelzés

Hasznosnak találta ezt az oldalt?

Last updated on 2025-07-26