快速入門：情感分析與意見挖掘

發行項
10/21/2024

參考文件 | 更多樣本 | 套件 (NuGet) | 程式庫原始程式碼

使用此快速入門，透過適用於 .NET 的用戶端程式庫來建立情感分析應用程式。在下列範例中，您會建立 C# 應用程式，用於識別以文字樣本表達的情緒，並執行以外觀為基礎的情感分析。

必要條件

Azure 訂用帳戶 - 建立免費帳戶
Visual Studio IDE

設定

建立 Azure 資源

您必須部署 Azure 資源，才能使用下列程式碼範例。此資源將包含金鑰和端點，供您用來驗證您傳送至語言服務的 API 呼叫。

使用下列連結，以透過 Azure 入口網站建立語言資源。您必須使用 Azure 訂用帳戶進行登入。
在所出現的 [選取其他功能] 畫面上，選取 [繼續以建立您的資源]。

在 [建立語言] 畫面中，提供下列資訊：

詳細資料	描述
訂用帳戶	資源將要建立關聯的訂用帳戶。從下拉式功能表中選取您的 Azure 訂用帳戶。
資源群組	資源群組是一個容器，當中會儲存您所建立的資源。選取 [新建] 來建立新的資源群組。
區域	語言資源的位置。區域不同可能會依據您的實體位置而造成延遲，但不會影響您資源執行階段的可用性。在本快速入門中，請選取您鄰近的可用區域，或選擇 [美國東部]。
名稱	語言資源的名稱。此名稱也會用來建立端點 URL，供您的應用程式用來傳送 API 要求。
定價層	語言資源的定價層。您可以使用 [免費 F0] 層來試用服務，之後可升級至付費層以用於實際執行環境。

請確定已核取 [負責任 AI 通知] 核取方塊。
選取頁面底部的 [檢閱 + 建立]。
在所出現的畫面中，確定驗證已通過，且您已輸入正確的資訊。然後選取建立。

取得金鑰和端點

接下來，您將需要來自資源的金鑰與端點，以將應用程式連線至該 API。您稍後會在快速入門中將金鑰和端點貼到程式碼中。

成功部署語言資源後，按一下 [後續步驟] 下的 [前往資源]。
在資源的畫面上，選取左側導覽功能表上的 [金鑰和端點]。在下列步驟中，您將使用其中一個金鑰和端點。

建立環境變數

您的應用程式必須經過驗證後，才能傳送 API 要求。在生產環境中，請運用安全的方式來儲存和存取您的登入資訊。在此範例中，您會在執行應用程式的本機電腦上將認證寫入環境變數。

若要設定語言資源金鑰的環境變數，請開啟主控台視窗，並遵循作業系統和開發環境的指示進行。

若要設定 LANGUAGE_KEY 環境變數，請將 your-key 取代為您資源的其中一個金鑰。
若要設定 LANGUAGE_ENDPOINT 環境變數，請將 your-endpoint 取代為您資源的端點。

重要

如果您使用 API 金鑰，請將其安全地儲存在別處，例如 Azure Key Vault。請勿在程式碼中直接包含 API 金鑰，且切勿公開將其張貼。

如需 AI 服務安全性的詳細資訊，請參閱驗證對 Azure AI 服務的要求。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果您只需要存取目前執行中主控台的環境變數，您可以使用 set (而不是 setx) 來設定環境變數。

新增環境變數之後，您可能需要重新啟動任何需要讀取環境變數的執行中程式，包括主控台視窗。例如，如果您使用 Visual Studio 做為編輯器，請在執行範例前重新啟動 Visual Studio。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bashrc，讓變更生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bash_profile，讓變更生效。

Xcode

如果是 iOS 或 macOS 開發，請在 Xcode 中設定環境變數。例如，遵循下列步驟，在 Xcode 13.4.1 中設定環境變數。

選取 [產品] > [配置] > [編輯配置]
在 [執行 (偵錯執行)] 頁面上，選取 [引數]
在 [環境變數] 下，選取加號 (+)，以新增環境變數。
針對 [名稱] 輸入 LANGUAGE_KEY，然後輸入 [值] 的語言資源金鑰。
針對您的資源端點執行這些步驟。為新的環境變數 LANGUAGE_ENDPOINT 命名。

如需更多設定選項，請參閱 Xcode 文件。

建立新的 .NET Core 應用程式

使用 Visual Studio IDE，建立新的 .NET Core 主控台應用程式。這會建立 "Hello World" 專案，內含單一 C# 來源檔案：program.cs。

以滑鼠右鍵按一下 [方案總管] 中的解決方案，然後選取 [管理 NuGet 套件]，以安裝用戶端程式庫。在開啟的封裝管理員中，選取 [瀏覽] 並搜尋 Azure.AI.TextAnalytics。選取版本 5.2.0，然後安裝。您也可以使用套件管理員主控台。

程式碼範例

將下列程式碼複製到 program.cs 檔案中，並執行該程式碼。

using Azure;
using System;
using Azure.AI.TextAnalytics;
using System.Collections.Generic;

namespace Example
{
    class Program
    {
        // This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
        static string languageKey = Environment.GetEnvironmentVariable("LANGUAGE_KEY");
        static string languageEndpoint = Environment.GetEnvironmentVariable("LANGUAGE_ENDPOINT");

        private static readonly AzureKeyCredential credentials = new AzureKeyCredential(languageKey);
        private static readonly Uri endpoint = new Uri(languageEndpoint);

        // Example method for detecting opinions text. 
        static void SentimentAnalysisWithOpinionMiningExample(TextAnalyticsClient client)
        {
            var documents = new List<string>
            {
                "The food and service were unacceptable. The concierge was nice, however."
            };

            AnalyzeSentimentResultCollection reviews = client.AnalyzeSentimentBatch(documents, options: new AnalyzeSentimentOptions()
            {
                IncludeOpinionMining = true
            });

            foreach (AnalyzeSentimentResult review in reviews)
            {
                Console.WriteLine($"Document sentiment: {review.DocumentSentiment.Sentiment}\n");
                Console.WriteLine($"\tPositive score: {review.DocumentSentiment.ConfidenceScores.Positive:0.00}");
                Console.WriteLine($"\tNegative score: {review.DocumentSentiment.ConfidenceScores.Negative:0.00}");
                Console.WriteLine($"\tNeutral score: {review.DocumentSentiment.ConfidenceScores.Neutral:0.00}\n");
                foreach (SentenceSentiment sentence in review.DocumentSentiment.Sentences)
                {
                    Console.WriteLine($"\tText: \"{sentence.Text}\"");
                    Console.WriteLine($"\tSentence sentiment: {sentence.Sentiment}");
                    Console.WriteLine($"\tSentence positive score: {sentence.ConfidenceScores.Positive:0.00}");
                    Console.WriteLine($"\tSentence negative score: {sentence.ConfidenceScores.Negative:0.00}");
                    Console.WriteLine($"\tSentence neutral score: {sentence.ConfidenceScores.Neutral:0.00}\n");

                    foreach (SentenceOpinion sentenceOpinion in sentence.Opinions)
                    {
                        Console.WriteLine($"\tTarget: {sentenceOpinion.Target.Text}, Value: {sentenceOpinion.Target.Sentiment}");
                        Console.WriteLine($"\tTarget positive score: {sentenceOpinion.Target.ConfidenceScores.Positive:0.00}");
                        Console.WriteLine($"\tTarget negative score: {sentenceOpinion.Target.ConfidenceScores.Negative:0.00}");
                        foreach (AssessmentSentiment assessment in sentenceOpinion.Assessments)
                        {
                            Console.WriteLine($"\t\tRelated Assessment: {assessment.Text}, Value: {assessment.Sentiment}");
                            Console.WriteLine($"\t\tRelated Assessment positive score: {assessment.ConfidenceScores.Positive:0.00}");
                            Console.WriteLine($"\t\tRelated Assessment negative score: {assessment.ConfidenceScores.Negative:0.00}");
                        }
                    }
                }
                Console.WriteLine($"\n");
            }
        }

        static void Main(string[] args)
        {
            var client = new TextAnalyticsClient(endpoint, credentials);
            SentimentAnalysisWithOpinionMiningExample(client);

            Console.Write("Press any key to exit.");
            Console.ReadKey();
        }

    }
}

輸出

Document sentiment: Mixed

    Positive score: 0.47
    Negative score: 0.52
    Neutral score: 0.00

    Text: "The food and service were unacceptable. "
    Sentence sentiment: Negative
    Sentence positive score: 0.00
    Sentence negative score: 0.99
    Sentence neutral score: 0.00

    Target: food, Value: Negative
    Target positive score: 0.00
    Target negative score: 1.00
            Related Assessment: unacceptable, Value: Negative
            Related Assessment positive score: 0.00
            Related Assessment negative score: 1.00
    Target: service, Value: Negative
    Target positive score: 0.00
    Target negative score: 1.00
            Related Assessment: unacceptable, Value: Negative
            Related Assessment positive score: 0.00
            Related Assessment negative score: 1.00
    Text: "The concierge was nice, however."
    Sentence sentiment: Positive
    Sentence positive score: 0.94
    Sentence negative score: 0.05
    Sentence neutral score: 0.01

    Target: concierge, Value: Positive
    Target positive score: 1.00
    Target negative score: 0.00
            Related Assessment: nice, Value: Positive
            Related Assessment positive score: 1.00
            Related Assessment negative score: 0.00

清除資源

如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。刪除資源群組也會刪除與其相關聯的任何其他資源。

使用下列命令來刪除您針對此快速入門建立的環境變數。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

下一步

參考文件 | 其他範例 | 套件 (Maven) | 程式庫原始程式碼

使用此快速入門，透過適用於 Java 的用戶端程式庫來建立情感分析應用程式。在下列範例中，您將建立 Java 應用程式，該應用程式可識別以文字樣本表達的情緒，並執行以外觀為基礎的情感分析。

必要條件

Azure 訂用帳戶 - 建立免費帳戶
Java 開發套件 (JDK) 含第 8 版或更新版本

設定

建立 Azure 資源

您必須部署 Azure 資源，才能使用下列程式碼範例。此資源將包含金鑰和端點，供您用來驗證您傳送至語言服務的 API 呼叫。

使用下列連結，以透過 Azure 入口網站建立語言資源。您必須使用 Azure 訂用帳戶進行登入。
在所出現的 [選取其他功能] 畫面上，選取 [繼續以建立您的資源]。

在 [建立語言] 畫面中，提供下列資訊：

詳細資料	描述
訂用帳戶	資源將要建立關聯的訂用帳戶。從下拉式功能表中選取您的 Azure 訂用帳戶。
資源群組	資源群組是一個容器，當中會儲存您所建立的資源。選取 [新建] 來建立新的資源群組。
區域	語言資源的位置。區域不同可能會依據您的實體位置而造成延遲，但不會影響您資源執行階段的可用性。在本快速入門中，請選取您鄰近的可用區域，或選擇 [美國東部]。
名稱	語言資源的名稱。此名稱也會用來建立端點 URL，供您的應用程式用來傳送 API 要求。
定價層	語言資源的定價層。您可以使用 [免費 F0] 層來試用服務，之後可升級至付費層以用於實際執行環境。

請確定已核取 [負責任 AI 通知] 核取方塊。
選取頁面底部的 [檢閱 + 建立]。
在所出現的畫面中，確定驗證已通過，且您已輸入正確的資訊。然後選取建立。

取得金鑰和端點

接下來，您將需要來自資源的金鑰與端點，以將應用程式連線至該 API。您稍後會在快速入門中將金鑰和端點貼到程式碼中。

成功部署語言資源後，按一下 [後續步驟] 下的 [前往資源]。
在資源的畫面上，選取左側導覽功能表上的 [金鑰和端點]。在下列步驟中，您將使用其中一個金鑰和端點。

建立環境變數

若要設定語言資源金鑰的環境變數，請開啟主控台視窗，並遵循作業系統和開發環境的指示進行。

若要設定 LANGUAGE_KEY 環境變數，請將 your-key 取代為您資源的其中一個金鑰。
若要設定 LANGUAGE_ENDPOINT 環境變數，請將 your-endpoint 取代為您資源的端點。

重要

如果您使用 API 金鑰，請將其安全地儲存在別處，例如 Azure Key Vault。請勿在程式碼中直接包含 API 金鑰，且切勿公開將其張貼。

如需 AI 服務安全性的詳細資訊，請參閱驗證對 Azure AI 服務的要求。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果您只需要存取目前執行中主控台的環境變數，您可以使用 set (而不是 setx) 來設定環境變數。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bashrc，讓變更生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bash_profile，讓變更生效。

Xcode

如果是 iOS 或 macOS 開發，請在 Xcode 中設定環境變數。例如，遵循下列步驟，在 Xcode 13.4.1 中設定環境變數。

選取 [產品] > [配置] > [編輯配置]
在 [執行 (偵錯執行)] 頁面上，選取 [引數]
在 [環境變數] 下，選取加號 (+)，以新增環境變數。
針對 [名稱] 輸入 LANGUAGE_KEY，然後輸入 [值] 的語言資源金鑰。
針對您的資源端點執行這些步驟。為新的環境變數 LANGUAGE_ENDPOINT 命名。

如需更多設定選項，請參閱 Xcode 文件。

新增用戶端程式庫

在您慣用的 IDE 或開發環境中建立 Maven 專案。然後，在專案的 pom.xml 檔案中新增下列相依性。您可以在線上找到其他建置工具的實作語法。

<dependencies>
     <dependency>
        <groupId>com.azure</groupId>
        <artifactId>azure-ai-textanalytics</artifactId>
        <version>5.2.0</version>
    </dependency>
</dependencies>

程式碼範例

建立名為 Example.java 的 Java 檔案。開啟檔案，並複製下列程式碼。然後執行程式碼。

import com.azure.core.credential.AzureKeyCredential;
import com.azure.ai.textanalytics.models.*;
import com.azure.ai.textanalytics.TextAnalyticsClientBuilder;
import com.azure.ai.textanalytics.TextAnalyticsClient;

public class Example {
    
    // This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
    private static String languageKey = System.getenv("LANGUAGE_KEY");
    private static String languageEndpoint = System.getenv("LANGUAGE_ENDPOINT");

    public static void main(String[] args) {
        TextAnalyticsClient client = authenticateClient(languageKey, languageEndpoint);
        sentimentAnalysisWithOpinionMiningExample(client);
    }
    // Method to authenticate the client object with your key and endpoint.
    static TextAnalyticsClient authenticateClient(String key, String endpoint) {
        return new TextAnalyticsClientBuilder()
                .credential(new AzureKeyCredential(key))
                .endpoint(endpoint)
                .buildClient();
    }
    // Example method for detecting sentiment and opinions in text.
    static void sentimentAnalysisWithOpinionMiningExample(TextAnalyticsClient client)
    {
        // The document that needs be analyzed.
        String document = "The food and service were unacceptable. The concierge was nice, however.";

        System.out.printf("Document = %s%n", document);

        AnalyzeSentimentOptions options = new AnalyzeSentimentOptions().setIncludeOpinionMining(true);
        final DocumentSentiment documentSentiment = client.analyzeSentiment(document, "en", options);
        SentimentConfidenceScores scores = documentSentiment.getConfidenceScores();
        System.out.printf(
                "Recognized document sentiment: %s, positive score: %f, neutral score: %f, negative score: %f.%n",
                documentSentiment.getSentiment(), scores.getPositive(), scores.getNeutral(), scores.getNegative());


        documentSentiment.getSentences().forEach(sentenceSentiment -> {
            SentimentConfidenceScores sentenceScores = sentenceSentiment.getConfidenceScores();
            System.out.printf("\tSentence sentiment: %s, positive score: %f, neutral score: %f, negative score: %f.%n",
                    sentenceSentiment.getSentiment(), sentenceScores.getPositive(), sentenceScores.getNeutral(), sentenceScores.getNegative());
            sentenceSentiment.getOpinions().forEach(opinion -> {
                TargetSentiment targetSentiment = opinion.getTarget();
                System.out.printf("\t\tTarget sentiment: %s, target text: %s%n", targetSentiment.getSentiment(),
                        targetSentiment.getText());
                for (AssessmentSentiment assessmentSentiment : opinion.getAssessments()) {
                    System.out.printf("\t\t\t'%s' assessment sentiment because of \"%s\". Is the assessment negated: %s.%n",
                            assessmentSentiment.getSentiment(), assessmentSentiment.getText(), assessmentSentiment.isNegated());
                }
            });
        });
    }
}

輸出

Document = The food and service were unacceptable. The concierge was nice, however.
Recognized document sentiment: mixed, positive score: 0.470000, neutral score: 0.000000, negative score: 0.520000.
	Sentence sentiment: negative, positive score: 0.000000, neutral score: 0.000000, negative score: 0.990000.
		Target sentiment: negative, target text: food
			'negative' assessment sentiment because of "unacceptable". Is the assessment negated: false.
		Target sentiment: negative, target text: service
			'negative' assessment sentiment because of "unacceptable". Is the assessment negated: false.
	Sentence sentiment: positive, positive score: 0.940000, neutral score: 0.010000, negative score: 0.050000.
		Target sentiment: positive, target text: concierge
			'positive' assessment sentiment because of "nice". Is the assessment negated: false.

清除資源

如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。刪除資源群組也會刪除與其相關聯的任何其他資源。

使用下列命令來刪除您針對此快速入門建立的環境變數。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

下一步

參考文件 | 其他範例 | 套件 (npm) | 程式庫原始程式碼

使用此快速入門，透過適用於 Node.js 的用戶端程式庫來建立情感分析應用程式。在下列範例中，您將建立 JavaScript 應用程式，該應用程式可識別以文字樣本表達的情緒，並執行以外觀為基礎的情感分析。

必要條件

Azure 訂用帳戶 - 建立免費帳戶
Node.js v14 LTS 或更新版本

設定

建立 Azure 資源

您必須部署 Azure 資源，才能使用下列程式碼範例。此資源將包含金鑰和端點，供您用來驗證您傳送至語言服務的 API 呼叫。

使用下列連結，以透過 Azure 入口網站建立語言資源。您必須使用 Azure 訂用帳戶進行登入。
在所出現的 [選取其他功能] 畫面上，選取 [繼續以建立您的資源]。

在 [建立語言] 畫面中，提供下列資訊：

詳細資料	描述
訂用帳戶	資源將要建立關聯的訂用帳戶。從下拉式功能表中選取您的 Azure 訂用帳戶。
資源群組	資源群組是一個容器，當中會儲存您所建立的資源。選取 [新建] 來建立新的資源群組。
區域	語言資源的位置。區域不同可能會依據您的實體位置而造成延遲，但不會影響您資源執行階段的可用性。在本快速入門中，請選取您鄰近的可用區域，或選擇 [美國東部]。
名稱	語言資源的名稱。此名稱也會用來建立端點 URL，供您的應用程式用來傳送 API 要求。
定價層	語言資源的定價層。您可以使用 [免費 F0] 層來試用服務，之後可升級至付費層以用於實際執行環境。

請確定已核取 [負責任 AI 通知] 核取方塊。
選取頁面底部的 [檢閱 + 建立]。
在所出現的畫面中，確定驗證已通過，且您已輸入正確的資訊。然後選取建立。

取得金鑰和端點

接下來，您將需要來自資源的金鑰與端點，以將應用程式連線至該 API。您稍後會在快速入門中將金鑰和端點貼到程式碼中。

成功部署語言資源後，按一下 [後續步驟] 下的 [前往資源]。
在資源的畫面上，選取左側導覽功能表上的 [金鑰和端點]。在下列步驟中，您將使用其中一個金鑰和端點。

建立環境變數

若要設定語言資源金鑰的環境變數，請開啟主控台視窗，並遵循作業系統和開發環境的指示進行。

若要設定 LANGUAGE_KEY 環境變數，請將 your-key 取代為您資源的其中一個金鑰。
若要設定 LANGUAGE_ENDPOINT 環境變數，請將 your-endpoint 取代為您資源的端點。

重要

如果您使用 API 金鑰，請將其安全地儲存在別處，例如 Azure Key Vault。請勿在程式碼中直接包含 API 金鑰，且切勿公開將其張貼。

如需 AI 服務安全性的詳細資訊，請參閱驗證對 Azure AI 服務的要求。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果您只需要存取目前執行中主控台的環境變數，您可以使用 set (而不是 setx) 來設定環境變數。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bashrc，讓變更生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bash_profile，讓變更生效。

Xcode

如果是 iOS 或 macOS 開發，請在 Xcode 中設定環境變數。例如，遵循下列步驟，在 Xcode 13.4.1 中設定環境變數。

選取 [產品] > [配置] > [編輯配置]
在 [執行 (偵錯執行)] 頁面上，選取 [引數]
在 [環境變數] 下，選取加號 (+)，以新增環境變數。
針對 [名稱] 輸入 LANGUAGE_KEY，然後輸入 [值] 的語言資源金鑰。
針對您的資源端點執行這些步驟。為新的環境變數 LANGUAGE_ENDPOINT 命名。

如需更多設定選項，請參閱 Xcode 文件。

建立新的 Node.js 應用程式

在主控台視窗 (例如 cmd、PowerShell 或 Bash) 中，為您的應用程式建立新的目錄，並瀏覽至該目錄。

mkdir myapp 

cd myapp

執行命令 npm init，以使用 package.json 檔案建立節點應用程式。

npm init

安裝用戶端程式庫

安裝 npm 套件：

npm install @azure/ai-language-text

程式碼範例

開啟檔案，並複製下列程式碼。然後執行程式碼。

"use strict";

const { TextAnalyticsClient, AzureKeyCredential } = require("@azure/ai-text-analytics");

// This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
const key = process.env.LANGUAGE_KEY;
const endpoint = process.env.LANGUAGE_ENDPOINT;


//an example document for sentiment analysis and opinion mining
const documents = [{
    text: "The food and service were unacceptable. The concierge was nice, however.",
    id: "0",
    language: "en"
  }];
  
async function main() {
  console.log("=== Sentiment analysis and opinion mining sample ===");

  const client = new TextAnalysisClient(endpoint, new AzureKeyCredential(key));

  const results = await client.analyze("SentimentAnalysis", documents, {
    includeOpinionMining: true,
  });

  for (let i = 0; i < results.length; i++) {
    const result = results[i];
    console.log(`- Document ${result.id}`);
    if (!result.error) {
      console.log(`\tDocument text: ${documents[i].text}`);
      console.log(`\tOverall Sentiment: ${result.sentiment}`);
      console.log("\tSentiment confidence scores:", result.confidenceScores);
      console.log("\tSentences");
      for (const { sentiment, confidenceScores, opinions } of result.sentences) {
        console.log(`\t- Sentence sentiment: ${sentiment}`);
        console.log("\t  Confidence scores:", confidenceScores);
        console.log("\t  Mined opinions");
        for (const { target, assessments } of opinions) {
          console.log(`\t\t- Target text: ${target.text}`);
          console.log(`\t\t  Target sentiment: ${target.sentiment}`);
          console.log("\t\t  Target confidence scores:", target.confidenceScores);
          console.log("\t\t  Target assessments");
          for (const { text, sentiment } of assessments) {
            console.log(`\t\t\t- Text: ${text}`);
            console.log(`\t\t\t  Sentiment: ${sentiment}`);
          }
        }
      }
    } else {
      console.error(`\tError: ${result.error}`);
    }
  }
}
  
main().catch((err) => {
  console.error("The sample encountered an error:", err);
});

輸出

=== Sentiment analysis and opinion mining sample ===
- Document 0
    Document text: The food and service were unacceptable. The concierge was nice, however.
    Overall Sentiment: mixed
    Sentiment confidence scores: { positive: 0.49, neutral: 0, negative: 0.5 }
    Sentences
    - Sentence sentiment: negative
      Confidence scores: { positive: 0, neutral: 0, negative: 1 }
      Mined opinions
            - Target text: food
              Target sentiment: negative
              Target confidence scores: { positive: 0.01, negative: 0.99 }
              Target assessments
                    - Text: unacceptable
                      Sentiment: negative
            - Target text: service
              Target sentiment: negative
              Target confidence scores: { positive: 0.01, negative: 0.99 }
              Target assessments
                    - Text: unacceptable
                      Sentiment: negative
    - Sentence sentiment: positive
      Confidence scores: { positive: 0.98, neutral: 0.01, negative: 0.01 }
      Mined opinions
            - Target text: concierge
              Target sentiment: positive
              Target confidence scores: { positive: 1, negative: 0 }
              Target assessments
                    - Text: nice
                      Sentiment: positive

清除資源

如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。刪除資源群組也會刪除與其相關聯的任何其他資源。

使用下列命令來刪除您針對此快速入門建立的環境變數。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

下一步

參考文件 | 其他範例 | 套件 (PyPi) | 程式庫原始程式碼

使用此快速入門，透過適用於 Python 的用戶端程式庫來建立情感分析應用程式。在下列範例中，您將建立 Python 應用程式，該應用程式可識別以文字樣本表達的情緒，並執行以外觀為基礎的情感分析。

必要條件

Azure 訂用帳戶 - 建立免費帳戶
Python 3.7 或更新版本

設定

建立 Azure 資源

您必須部署 Azure 資源，才能使用下列程式碼範例。此資源將包含金鑰和端點，供您用來驗證您傳送至語言服務的 API 呼叫。

使用下列連結，以透過 Azure 入口網站建立語言資源。您必須使用 Azure 訂用帳戶進行登入。
在所出現的 [選取其他功能] 畫面上，選取 [繼續以建立您的資源]。

在 [建立語言] 畫面中，提供下列資訊：

詳細資料	描述
訂用帳戶	資源將要建立關聯的訂用帳戶。從下拉式功能表中選取您的 Azure 訂用帳戶。
資源群組	資源群組是一個容器，當中會儲存您所建立的資源。選取 [新建] 來建立新的資源群組。
區域	語言資源的位置。區域不同可能會依據您的實體位置而造成延遲，但不會影響您資源執行階段的可用性。在本快速入門中，請選取您鄰近的可用區域，或選擇 [美國東部]。
名稱	語言資源的名稱。此名稱也會用來建立端點 URL，供您的應用程式用來傳送 API 要求。
定價層	語言資源的定價層。您可以使用 [免費 F0] 層來試用服務，之後可升級至付費層以用於實際執行環境。

請確定已核取 [負責任 AI 通知] 核取方塊。
選取頁面底部的 [檢閱 + 建立]。
在所出現的畫面中，確定驗證已通過，且您已輸入正確的資訊。然後選取建立。

取得金鑰和端點

接下來，您將需要來自資源的金鑰與端點，以將應用程式連線至該 API。您稍後會在快速入門中將金鑰和端點貼到程式碼中。

成功部署語言資源後，按一下 [後續步驟] 下的 [前往資源]。
在資源的畫面上，選取左側導覽功能表上的 [金鑰和端點]。在下列步驟中，您將使用其中一個金鑰和端點。

建立環境變數

若要設定語言資源金鑰的環境變數，請開啟主控台視窗，並遵循作業系統和開發環境的指示進行。

若要設定 LANGUAGE_KEY 環境變數，請將 your-key 取代為您資源的其中一個金鑰。
若要設定 LANGUAGE_ENDPOINT 環境變數，請將 your-endpoint 取代為您資源的端點。

重要

如果您使用 API 金鑰，請將其安全地儲存在別處，例如 Azure Key Vault。請勿在程式碼中直接包含 API 金鑰，且切勿公開將其張貼。

如需 AI 服務安全性的詳細資訊，請參閱驗證對 Azure AI 服務的要求。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果您只需要存取目前執行中主控台的環境變數，您可以使用 set (而不是 setx) 來設定環境變數。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bashrc，讓變更生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bash_profile，讓變更生效。

Xcode

如果是 iOS 或 macOS 開發，請在 Xcode 中設定環境變數。例如，遵循下列步驟，在 Xcode 13.4.1 中設定環境變數。

選取 [產品] > [配置] > [編輯配置]
在 [執行 (偵錯執行)] 頁面上，選取 [引數]
在 [環境變數] 下，選取加號 (+)，以新增環境變數。
針對 [名稱] 輸入 LANGUAGE_KEY，然後輸入 [值] 的語言資源金鑰。
針對您的資源端點執行這些步驟。為新的環境變數 LANGUAGE_ENDPOINT 命名。

如需更多設定選項，請參閱 Xcode 文件。

安裝用戶端程式庫

安裝 Python 之後，您可以透過以下項目安裝用戶端程式庫：

pip install azure-ai-textanalytics==5.2.0

程式碼範例

建立新的 Python 檔案，並複製下列程式碼。然後執行程式碼

# This example requires environment variables named "LANGUAGE_KEY" and "LANGUAGE_ENDPOINT"
language_key = os.environ.get('LANGUAGE_KEY')
language_endpoint = os.environ.get('LANGUAGE_ENDPOINT')

from azure.ai.textanalytics import TextAnalyticsClient
from azure.core.credentials import AzureKeyCredential

# Authenticate the client using your key and endpoint 
def authenticate_client():
    ta_credential = AzureKeyCredential(language_key)
    text_analytics_client = TextAnalyticsClient(
            endpoint=language_endpoint, 
            credential=ta_credential)
    return text_analytics_client

client = authenticate_client()

# Example method for detecting sentiment and opinions in text 
def sentiment_analysis_with_opinion_mining_example(client):

    documents = [
        "The food and service were unacceptable. The concierge was nice, however."
    ]

    result = client.analyze_sentiment(documents, show_opinion_mining=True)
    doc_result = [doc for doc in result if not doc.is_error]

    positive_reviews = [doc for doc in doc_result if doc.sentiment == "positive"]
    negative_reviews = [doc for doc in doc_result if doc.sentiment == "negative"]

    positive_mined_opinions = []
    mixed_mined_opinions = []
    negative_mined_opinions = []

    for document in doc_result:
        print("Document Sentiment: {}".format(document.sentiment))
        print("Overall scores: positive={0:.2f}; neutral={1:.2f}; negative={2:.2f} \n".format(
            document.confidence_scores.positive,
            document.confidence_scores.neutral,
            document.confidence_scores.negative,
        ))
        for sentence in document.sentences:
            print("Sentence: {}".format(sentence.text))
            print("Sentence sentiment: {}".format(sentence.sentiment))
            print("Sentence score:\nPositive={0:.2f}\nNeutral={1:.2f}\nNegative={2:.2f}\n".format(
                sentence.confidence_scores.positive,
                sentence.confidence_scores.neutral,
                sentence.confidence_scores.negative,
            ))
            for mined_opinion in sentence.mined_opinions:
                target = mined_opinion.target
                print("......'{}' target '{}'".format(target.sentiment, target.text))
                print("......Target score:\n......Positive={0:.2f}\n......Negative={1:.2f}\n".format(
                    target.confidence_scores.positive,
                    target.confidence_scores.negative,
                ))
                for assessment in mined_opinion.assessments:
                    print("......'{}' assessment '{}'".format(assessment.sentiment, assessment.text))
                    print("......Assessment score:\n......Positive={0:.2f}\n......Negative={1:.2f}\n".format(
                        assessment.confidence_scores.positive,
                        assessment.confidence_scores.negative,
                    ))
            print("\n")
        print("\n")
          
sentiment_analysis_with_opinion_mining_example(client)

輸出

Document Sentiment: mixed
Overall scores: positive=0.47; neutral=0.00; negative=0.52

Sentence: The food and service were unacceptable.
Sentence sentiment: negative
Sentence score:
Positive=0.00
Neutral=0.00
Negative=0.99

......'negative' target 'food'
......Target score:
......Positive=0.00
......Negative=1.00

......'negative' assessment 'unacceptable'
......Assessment score:
......Positive=0.00
......Negative=1.00

......'negative' target 'service'
......Target score:
......Positive=0.00
......Negative=1.00

......'negative' assessment 'unacceptable'
......Assessment score:
......Positive=0.00
......Negative=1.00



Sentence: The concierge was nice, however.
Sentence sentiment: positive
Sentence score:
Positive=0.94
Neutral=0.01
Negative=0.05

......'positive' target 'concierge'
......Target score:
......Positive=1.00
......Negative=0.00

......'positive' assessment 'nice'
......Assessment score:
......Positive=1.00
......Negative=0.00

清除資源

如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。刪除資源群組也會刪除與其相關聯的任何其他資源。

使用下列命令來刪除您針對此快速入門建立的環境變數。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

下一步

參考文件

使用本快速入門，使用 REST API 傳送情感分析要求。在下列範例中，您將使用 cURL 來識別以文字樣本表達的情緒，並執行以外觀為基礎的情感分析。

必要條件

Azure 訂用帳戶 - 建立免費帳戶

設定

建立 Azure 資源

您必須部署 Azure 資源，才能使用下列程式碼範例。此資源將包含金鑰和端點，供您用來驗證您傳送至語言服務的 API 呼叫。

使用下列連結，以透過 Azure 入口網站建立語言資源。您必須使用 Azure 訂用帳戶進行登入。
在所出現的 [選取其他功能] 畫面上，選取 [繼續以建立您的資源]。

在 [建立語言] 畫面中，提供下列資訊：

詳細資料	描述
訂用帳戶	資源將要建立關聯的訂用帳戶。從下拉式功能表中選取您的 Azure 訂用帳戶。
資源群組	資源群組是一個容器，當中會儲存您所建立的資源。選取 [新建] 來建立新的資源群組。
區域	語言資源的位置。區域不同可能會依據您的實體位置而造成延遲，但不會影響您資源執行階段的可用性。在本快速入門中，請選取您鄰近的可用區域，或選擇 [美國東部]。
名稱	語言資源的名稱。此名稱也會用來建立端點 URL，供您的應用程式用來傳送 API 要求。
定價層	語言資源的定價層。您可以使用 [免費 F0] 層來試用服務，之後可升級至付費層以用於實際執行環境。

請確定已核取 [負責任 AI 通知] 核取方塊。
選取頁面底部的 [檢閱 + 建立]。
在所出現的畫面中，確定驗證已通過，且您已輸入正確的資訊。然後選取建立。

取得金鑰和端點

接下來，您將需要來自資源的金鑰與端點，以將應用程式連線至該 API。您稍後會在快速入門中將金鑰和端點貼到程式碼中。

成功部署語言資源後，按一下 [後續步驟] 下的 [前往資源]。
在資源的畫面上，選取左側導覽功能表上的 [金鑰和端點]。在下列步驟中，您將使用其中一個金鑰和端點。

建立環境變數

若要設定語言資源金鑰的環境變數，請開啟主控台視窗，並遵循作業系統和開發環境的指示進行。

若要設定 LANGUAGE_KEY 環境變數，請將 your-key 取代為您資源的其中一個金鑰。
若要設定 LANGUAGE_ENDPOINT 環境變數，請將 your-endpoint 取代為您資源的端點。

重要

如果您使用 API 金鑰，請將其安全地儲存在別處，例如 Azure Key Vault。請勿在程式碼中直接包含 API 金鑰，且切勿公開將其張貼。

如需 AI 服務安全性的詳細資訊，請參閱驗證對 Azure AI 服務的要求。

setx LANGUAGE_KEY your-key

setx LANGUAGE_ENDPOINT your-endpoint

注意

如果您只需要存取目前執行中主控台的環境變數，您可以使用 set (而不是 setx) 來設定環境變數。

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bashrc，讓變更生效。

Bash

export LANGUAGE_KEY=your-key

export LANGUAGE_ENDPOINT=your-endpoint

新增環境變數之後，請從主控台視窗執行 source ~/.bash_profile，讓變更生效。

Xcode

如果是 iOS 或 macOS 開發，請在 Xcode 中設定環境變數。例如，遵循下列步驟，在 Xcode 13.4.1 中設定環境變數。

選取 [產品] > [配置] > [編輯配置]
在 [執行 (偵錯執行)] 頁面上，選取 [引數]
在 [環境變數] 下，選取加號 (+)，以新增環境變數。
針對 [名稱] 輸入 LANGUAGE_KEY，然後輸入 [值] 的語言資源金鑰。
針對您的資源端點執行這些步驟。為新的環境變數 LANGUAGE_ENDPOINT 命名。

如需了解更多組態選項，請參閱 Xcode 文件。

使用範例要求本文來建立 JSON 檔案

在程式碼編輯器中，建立名為 test_sentiment_payload.json 的新檔案，並複製下列 JSON 範例。在下一個步驟中，會將此範例要求傳送至 API。

{
	"kind": "SentimentAnalysis",
	"parameters": {
		"modelVersion": "latest",
		"opinionMining": "True"
	},
	"analysisInput":{
		"documents":[
			{
				"id":"1",
				"language":"en",
				"text": "The food and service were unacceptable. The concierge was nice, however."
			}
		]
	}
}

將 test_sentiment_payload.json 儲存在電腦上的某個位置。例如，您的桌面。

傳送情感分析和意見挖掘 API 要求

注意

下列範例包含對情感分析意見挖掘功能的要求，此參數提供有關與文字中目標 (名詞) 相關評量 (形容詞) 的詳細資訊。

使用下列命令，透過您正在使用的程式來傳送 API 要求。將命令複製到終端機，然後執行該命令。

parameter	描述
`-X POST <endpoint>`	指定用於存取 API 的端點。
`-H Content-Type: application/json`	用於傳送 JSON 資料的內容類型。
`-H "Ocp-Apim-Subscription-Key:<key>`	指定用於存取 API 的金鑰。
`-d <documents>`	JSON 檔案，其中包含您想要傳送的文件。

將 C:\Users\<myaccount>\Desktop\test_sentiment_payload.json 取代為您在上一個步驟中所建立範例 JSON 要求檔案的位置。

命令提示字元

curl -X POST "%LANGUAGE_ENDPOINT%/language/:analyze-text?api-version=2023-04-15-preview" ^
-H "Content-Type: application/json" ^
-H "Ocp-Apim-Subscription-Key: %LANGUAGE_KEY%" ^
-d "@C:\Users\<myaccount>\Desktop\test_sentiment_payload.json"

PowerShell

curl.exe -X POST $env:LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview `
-H "Content-Type: application/json" `
-H "Ocp-Apim-Subscription-Key: $env:LANGUAGE_KEY" `
-d "@C:\Users\<myaccount>\Desktop\test_sentiment_payload.json"

使用下列命令，透過您正在使用的程式來傳送 API 要求。將 /home/mydir/test_sentiment_payload.json 取代為您在上一個步驟中所建立範例 JSON 要求檔案的位置。

curl -X POST $LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview \
-H "Content-Type: application/json" \
-H "Ocp-Apim-Subscription-Key: $LANGUAGE_KEY" \
-d "@/home/mydir/test_sentiment_payload.json"

使用下列命令，透過您正在使用的程式來傳送 API 要求。將 /home/mydir/test_sentiment_payload.json 取代為您在上一個步驟中所建立範例 JSON 要求檔案的位置。

curl -X POST $LANGUAGE_ENDPOINT/language/:analyze-text?api-version=2023-04-15-preview \
-H "Content-Type: application/json" \
-H "Ocp-Apim-Subscription-Key: $LANGUAGE_KEY" \
-d "@/home/mydir/test_sentiment_payload.json"

JSON 回應

{
	"kind": "SentimentAnalysisResults",
	"results": {
		"documents": [{
			"id": "1",
			"sentiment": "mixed",
			"confidenceScores": {
				"positive": 0.47,
				"neutral": 0.0,
				"negative": 0.52
			},
			"sentences": [{
				"sentiment": "negative",
				"confidenceScores": {
					"positive": 0.0,
					"neutral": 0.0,
					"negative": 0.99
				},
				"offset": 0,
				"length": 40,
				"text": "The food and service were unacceptable. ",
				"targets": [{
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 4,
					"length": 4,
					"text": "food",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/0/assessments/0"
					}]
				}, {
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 13,
					"length": 7,
					"text": "service",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/0/assessments/0"
					}]
				}],
				"assessments": [{
					"sentiment": "negative",
					"confidenceScores": {
						"positive": 0.0,
						"negative": 1.0
					},
					"offset": 26,
					"length": 12,
					"text": "unacceptable",
					"isNegated": false
				}]
			}, {
				"sentiment": "positive",
				"confidenceScores": {
					"positive": 0.94,
					"neutral": 0.01,
					"negative": 0.05
				},
				"offset": 40,
				"length": 32,
				"text": "The concierge was nice, however.",
				"targets": [{
					"sentiment": "positive",
					"confidenceScores": {
						"positive": 1.0,
						"negative": 0.0
					},
					"offset": 44,
					"length": 9,
					"text": "concierge",
					"relations": [{
						"relationType": "assessment",
						"ref": "#/documents/0/sentences/1/assessments/0"
					}]
				}],
				"assessments": [{
					"sentiment": "positive",
					"confidenceScores": {
						"positive": 1.0,
						"negative": 0.0
					},
					"offset": 58,
					"length": 4,
					"text": "nice",
					"isNegated": false
				}]
			}],
			"warnings": []
		}],
		"errors": [],
		"modelVersion": "2022-06-01"
	}
}

清除資源

如果您想要清除和移除 Azure AI 服務訂用帳戶，則可以刪除資源或資源群組。刪除資源群組也會刪除與其相關聯的任何其他資源。

使用下列命令來刪除您針對此快速入門建立的環境變數。

reg delete "HKCU\Environment" /v LANGUAGE_KEY /f

reg delete "HKCU\Environment" /v LANGUAGE_ENDPOINT /f

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

unset LANGUAGE_KEY

unset LANGUAGE_ENDPOINT

共用方式為

快速入門：情感分析與意見挖掘

必要條件

設定

建立 Azure 資源

取得金鑰和端點

建立環境變數

建立新的 .NET Core 應用程式

程式碼範例

輸出

清除資源

下一步

必要條件

設定

建立 Azure 資源

取得金鑰和端點

建立環境變數

新增 用戶端程式庫

程式碼範例

輸出

清除資源

下一步

必要條件

設定

建立 Azure 資源

取得金鑰和端點

建立環境變數

建立新的 Node.js 應用程式

安裝用戶端程式庫

程式碼範例

輸出

清除資源

下一步

必要條件

設定

建立 Azure 資源

取得金鑰和端點

建立環境變數

安裝用戶端程式庫

程式碼範例

輸出

清除資源

下一步

必要條件

設定

建立 Azure 資源

取得金鑰和端點

建立環境變數

使用範例要求本文來建立 JSON 檔案

傳送情感分析和意見挖掘 API 要求

命令提示字元

PowerShell

JSON 回應

清除資源

下一步

意見反應

其他資源

新增用戶端程式庫