教程：使用 ML.NET 模型生成器在 Web 应用程序中分析网站评论的情绪

项目
08/01/2023

了解如何在 Web 应用程序中实时分析评论中的情绪。

本教程演示如何创建 ASP.NET Core Razor Pages 应用程序，该应用程序实时对网站评论情绪进行分类并采取适当的措施。

在本教程中，你将了解：

创建 ASP.NET Core Razor Pages 应用程序
准备和了解数据
选择方案
加载数据
定型模型
评估模型
使用预测模型

可以在 dotnet/machinelearning-samples 存储库中找到本教程的源代码。

先决条件

请访问模型生成器安装指南，查看先决条件和安装说明的列表。

创建 Razor Pages 应用程序

创建“ASP.NET Core Razor Pages 应用程序”。

在 Visual Studio 中，打开“创建新项目”对话框。
在“创建新项目”对话框中，选择 ASP.NET Core Web 应用项目模板。
在“名称”文本框中，键入“SentimentRazor”，然后选择“下一步”按钮。
在“其他信息”对话框中，将所有默认值保留原样，然后选择“创建”按钮。

准备和了解数据

下载维基百科 detox 数据集。打开网页时，右键单击页面，选择“另存为” ，将文件保存到计算机上的任何位置。

wikipedia-detox-250-line-data.tsv 数据集中的每一行都代表一个用户在维基百科上留下的不同评价。第一列表示文本的情绪（0 表示 non-toxic (无害)，1 表示 toxic (不良)），第二列表示用户留下的评论。列由制表符分隔。数据类似如下所示：

情绪	情绪文本
1	==RUDE== Dude, you are rude upload that carl picture back, or else.
1	== OK! == IM GOING TO VANDALIZE WILD ONES WIKI THEN!!!
0	我希望这会有所帮助。

创建 Model Builder 配置文件

首次将机器学习模型添加到解决方案时，它会提示你创建一个 mbconfig 文件。该 mbconfig 文件跟踪你在 Model Builder 中所执行的所有操作，以允许你重新打开会话。

在“解决方案资源管理器”中，右键单击“SentimentRazor”项目，然后选择“添加”>“机器学习模型...”。
在对话框中，将 Model Builder 项目命名为 SentimentAnalysis.mbconfig，然后选择“添加”。

选择方案

为了训练模型，需要从模型生成器提供的可用机器学习方案列表中进行选择。

本示例的任务是文本分类。在 Model Builder 工具的“方案”扩展中，选择“文本分类”方案。

选择环境

Model Builder 可以根据所选方案在不同的环境中训练。

选择“本地 (GPU)”作为环境，然后单击“下一步”按钮。

注意

此方案使用在 GPU 环境中最适用的深度学习技术。如果没有 GPU，请选择“本地 (CPU)”环境，但请注意，预期的训练时间要长得多。有关将 GPU 与 Model Builder 配合使用的详细信息，请参阅 Model Builder 中的 GPU 支持指南。

加载数据

模型生成器接受来自两个源的数据：SQL Server 数据库或者 csv 或 tsv 格式的本地文件。

在 Model Builder 工具的数据步骤中，选择数据源选项中的“文件”。
选择“选择文件”文本框旁边的按钮，并使用文件资源管理器浏览到 wikipedia-detox-250-line-data.tsv 文件，然后选择该文件。
从“要预测的列(标签)”下拉列表中选择“情绪”。
从“文本列”下拉列表中选择“SentimentText”。
选择“下一步”按钮以移至 Model Builder 中的下一步。

定型模型

在本教程中，用于训练情绪分析模型的机器学习任务是文本分类。在模型训练过程中，Model Builder 使用 NAS-BERT 神经网络体系结构为数据集训练文本分类模型。

选择“开始训练” 。
训练完成后，训练过程的结果将显示在“训练”屏幕的“训练结果”部分中。除了提供训练结果外，还会在 SentimentAnalysis.mbconfig 文件下创建三个代码隐藏文件。
- SentimentAnalysis.consumption.cs - 此文件包含 ModelInput 和 ModelOutput 架构，以及为使用模型生成的 Predict 函数。
- SentimentAnalysis.training.cs - 此文件包含 Model Builder 选择的训练管道（数据转换、训练器、训练器超参数）以训练模型。你可以使用此管道重新训练模型。
- *SentimentAnalysis.zip - 这是一个已序列化的 zip 文件，它表示经过训练的 ML.NET 模型。
选择“下一步”按钮以移至下一步。

评估模型

训练步骤的成果将是一个模型，该模型具备最佳的性能。在 Model Builder 工具的评估步骤中，输出部分将包含性能最佳模型使用的训练器以及评估指标。

如果对评估指标不满意，尝试提高模型性能的一个简单方法是使用更多数据。

否则，请选择“下一步”按钮，以转到 Model Builder 中的“使用”步骤。

添加使用项目模板（可选）

在“使用”步骤中，Model Builder 提供可用于使用模型的项目模板。此步骤是可选的，你可以选择最适合你使用模型需求的方法。

控制台应用程序
Web API

添加代码进行预测

配置 PredictionEngine 池

若要进行单一预测，必须创建 PredictionEngine<TSrc,TDst>。 PredictionEngine<TSrc,TDst> 不是线程安全。此外，必须在应用程序中的每一处所需位置创建它的实例。随着应用程序的增长，此过程可能会变得难以管理。为了提高性能和线程安全，请结合使用依赖项注入和 PredictionEnginePool 服务，这将创建一个在整个应用程序中使用的 PredictionEngine<TSrc,TDst> 对象的 ObjectPool<T>。

安装 Microsoft.Extensions.ML NuGet 包：
1. 在“解决方案资源管理器”中，右键单击项目，然后选择“管理 NuGet 包” 。
2. 选择“nuget.org”作为“包源”。
3. 选择“浏览” 选项卡，搜索“Microsoft.Extensions.ML” 。
4. 在列表中选择包，然后选择“安装” 按钮。
5. 选择“预览更改” 对话框中的“确定” 按钮
6. 如果同意所列包的许可条款，请选择“接受许可” 对话框中的“我接受” 按钮。
打开“SentimentRazor”项目中的“Program.cs”文件。
添加以下 using 语句以引用 Microsoft.Extensions.ML NuGet 包和 SentimentRazorML.Model 项目：
```
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
```

在 Program.cs 文件中为应用程序配置 PredictionEnginePool<TData,TPrediction>：

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

创建情绪分析处理程序

预测将在应用程序的主页内进行。因此，需要添加一个采用用户输入并使用 PredictionEnginePool<TData,TPrediction> 来返回预测的方法。

打开位于 Pages 目录中的 Index.cshtml.cs 文件，并添加以下 using 语句：
```
using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;
```
要使用 Program.cs 文件中已配置的 PredictionEnginePool<TData,TPrediction>，必须将它注入到要在其中使用它的模型的构造函数中。
添加一个变量，以引用 Pages/Index.cshtml.cs 文件内的 IndexModel 类内的 PredictionEnginePool<TData,TPrediction>。
```
private readonly PredictionEnginePool<ModelInput, ModelOutput> _predictionEnginePool;
```

修改 IndexModel 类中的构造函数，并将 PredictionEnginePool<TData,TPrediction> 服务注入到其中。

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

创建一个方法处理程序，该处理程序使用 PredictionEnginePool 来对从网页接收的用户输入进行预测。
1. 在 OnGet 方法下面，创建一个名为 OnGetAnalyzeSentiment 的新方法
```
public IActionResult OnGetAnalyzeSentiment([FromQuery] string text)
{

}
```
2. 在 OnGetAnalyzeSentiment 方法中，如果用户输入为空或为 null，则返回“中性”情绪。
```
if (String.IsNullOrEmpty(text)) return Content("Neutral");
```
3. 给定有效的输入，创建新的 ModelInput 实例。
```
var input = new ModelInput { SentimentText = text };
```
4. 使用 PredictionEnginePool<TData,TPrediction> 预测情绪。
```
var prediction = _predictionEnginePool.Predict(input);
```
5. 使用以下代码将预测的 bool 值转换为“toxic”或“not toxic”。
```
var sentiment = Convert.ToBoolean(prediction.PredictedLabel) ? "Toxic" : "Not Toxic";
```
6. 最后，将情绪返回到网页上。
```
return Content(sentiment);
```

配置网页

OnGetAnalyzeSentiment 返回的结果将在 Index 网页上动态显示。

在“Pages” 目录中打开 Index.cshtml 文件，并将其内容替换为以下代码：

@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>

接下来，将 css 样式代码添加到 wwwroot\css 目录中的 site.css 页面的末尾：

/* 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;
}

然后，添加代码，将源自网页的输入发送到 OnGetAnalyzeSentiment 处理程序。

在 wwwroot\js 目录中的 site.js 文件中，创建名为 getSentiment 的函数，以便向 OnGetAnalyzeSentiment 处理程序的用户输入发出 GET HTTP 请求。

function getSentiment(userInput) {
    return fetch(`Index?handler=AnalyzeSentiment&text=${userInput}`)
        .then((response) => {
            return response.text();
        })
}

在它的下面，添加另一个名为 updateMarker 的函数，以便在预测情绪时，动态更新网页上标记的位置。

function updateMarker(markerPosition, sentiment) {
    $("#markerPosition").attr("style", `left:${markerPosition}%`);
    $("#markerValue").text(sentiment);
}

创建一个名为 updateSentiment 的事件处理程序函数以获取用户的输入，使用 getSentiment 函数将其发送到 OnGetAnalyzeSentiment 函数，并使用 updateMarker 函数更新标记。

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");
            }    
        });
}

最后，注册事件处理程序并将其绑定到具有 id=Message 特性的 textarea 元素。
```
$("#Message").on('change input paste', updateSentiment)        
```

运行此应用程序

设置应用程序之后，接下来即可运行应在浏览器中启动的应用程序。

应用程序启动时，在文本区域中输入“此模型没有足够的数据！”。显示的预测情绪应为“正面”。

正在运行的窗口（包含预测情绪窗口）

注意

PredictionEnginePool<TData,TPrediction> 创建 PredictionEngine<TSrc,TDst> 的多个实例。由于模型的大小，首次使用它进行预测可能需要几秒钟时间。后续预测应该是即时的。

后续步骤

在本教程中，你将了解：

创建 ASP.NET Core Razor Pages 应用程序
准备和了解数据
选择方案
加载数据
定型模型
评估模型
使用预测模型

其他资源

若要详细了解本教程中所述的主题，请访问以下资源:

通过

教程：使用 ML.NET 模型生成器在 Web 应用程序中分析网站评论的情绪

先决条件

创建 Razor Pages 应用程序

准备和了解数据

创建 Model Builder 配置文件

选择方案

选择环境

加载数据

定型模型

评估模型

添加使用项目模板（可选）

添加代码进行预测

配置 PredictionEngine 池

创建情绪分析处理程序

配置网页

运行此应用程序

后续步骤

其他资源

其他资源