در این مقاله به نوشتن یک تحلیلگر احساسات با استفاده از Hugging Face Transformer، ابزاری قدرتمند در دنیای NLP خواهیم پرداخت.

تصور کنید که یک کسب و کار را اداره می کنید و می خواهید بدانید که مشتریان شما در مورد محصول شما چه فکری می کنند. یا شاید شما کارگردانی هستید که می‌خواهید واکنش عمومی نسبت به آخرین اکران خود را بسنجید.

اینجاست که تحلیل احساسات وارد عمل می شود.

تحلیل احساسات تکنیکی است که در تحلیل متن استفاده می شود و به شناسایی و دسته بندی نظرات بیان شده در یک متن کمک می کند.

تحلیل احساسات تعیین می کند که آیا نظر بیان شده در یک سند، یک جمله یا یک ویژگی/جنبه موجودیت مثبت، منفی یا خنثی است.

در دنیایی که داده ها پادشاه هستند، تجزیه و تحلیل احساسات جواهری است. مانند داشتن یک ابرقدرت برای درک لحن احساسی پشت کلمات در مقیاس است.

شرکت ها از آن برای درک بازخورد مشتریان در مورد محصولات و خدمات استفاده می کنند. دولت ها و سازمان ها از آن برای جلب نظر افکار عمومی استفاده می کنند.

در مدیریت رسانه های اجتماعی، تحلیل احساسات برای نظارت بر برند، خدمات مشتری و تحقیقات بازار استفاده می شود.

این فقط به این نیست که بفهمید چند نفر در مورد برند یا محصول شما صحبت می کنند، بلکه احساس آنها در مورد آن چیست.

صورت در آغوش گرفتن چیست؟

حالا بیایید در مورد صورت در آغوش گرفتن صحبت کنیم. نه، این چیزی نیست که شما فکر می کنید. شما در آغوش گرفتن صورت ها به اطراف نمی روید.

در دنیای هوش مصنوعی، Hugging Face کاملاً ستاره است. این یک جامعه و پلتفرم هوش مصنوعی است که ابزارها و مدل‌های پیشرفته‌ای را برای پردازش زبان طبیعی (NLP) ارائه می‌کند.

به آن به عنوان جعبه ابزاری فکر کنید که به شما قدرت درک و تولید زبان انسانی را می دهد. مثل این است که یک جادوگر زبانی در کنار شما باشد.

محبوب‌ترین پیشنهاد Hugging Face، کتابخانه «Transformers» است. کتابخانه Transformers مملو از APIها و ابزارهایی است که به شما امکان می‌دهد مدل‌های از پیش آموزش‌دیده‌شده را به راحتی بگیرید و آموزش دهید.

وقتی این مدل های از پیش آموزش دیده را انتخاب می کنید، هزینه های محاسباتی و ردپای کربن را کاهش می دهید. به علاوه، در زمان و منابعی که در غیر این صورت از ابتدا برای آموزش یک مدل صرف می‌کردید، صرفه‌جویی می‌کنید.

این مدل ها وظایف مشترک را در دامنه های مختلف حل می کنند، مانند:

پردازش زبان طبیعی (NLP) : در اینجا می‌توانید کارهای جالبی مانند طبقه‌بندی متن، شناسایی نام‌ها یا موجودیت‌ها در متن، پاسخ دادن به سؤالات، مدل‌سازی زبان، خلاصه‌سازی، ترجمه، رسیدگی به سؤالات چند گزینه‌ای و حتی تولید متن انجام دهید.

بینایی کامپیوتری: این شامل طبقه بندی تصاویر، تشخیص و ترسیم اشیاء در تصاویر و موارد دیگر است.

صدا: می توانید روی تشخیص خودکار گفتار و طبقه بندی انواع مختلف صداها کار کنید.

وظایف چندوجهی: اینها کارهایی هستند که آن را با هم مخلوط می کنند، مانند پاسخ دادن به سؤالات بر اساس جداول، تشخیص متن در تصاویر (مانند اسناد اسکن شده)، بیرون کشیدن اطلاعات از این اسناد، طبقه بندی فیلم ها، و پاسخ به سؤالات بر اساس تصاویر.

نکته جالب در مورد Transformers این است که آنها با چارچوب های مختلف انعطاف پذیر هستند. چه در PyTorch ، TensorFlow یا JAX باشید، Transformers شما را تحت پوشش قرار داده است.

سهولت استفاده و ماهیت جامع آن را برای محققان، توسعه دهندگان و مشاغل به طور یکسان تبدیل کرده است.

کد برای تحلیل احساسات

اکنون که می دانید تجزیه و تحلیل احساسات و صورت در آغوش گرفتن چیست، بیایید کدی بنویسیم. ما از Python و کتابخانه transformers Hugging Face برای ساختن یک تحلیلگر احساسات ساده استفاده خواهیم کرد.

می توانید از ترمینال خود استفاده کنید، پایتون را نصب کرده و کد را اجرا کنید، یا از نوت بوک Google Colab استفاده کنید. من دومی را توصیه می کنم زیرا با پایتون از قبل نصب شده است.

با این دستور کتابخانه transformers را نصب کنید:

 pip install transformers

اگر از نوت بوک Colab استفاده می کنید، از یک ! نماد قبل از دستور نوت بوک به عنوان یک فرمان پوسته (Colab کد را به صورت پیش فرض به صورت پایتون اجرا می کند).

 !pip install transfomers

پس از اتمام نصب، می توانید شروع به استفاده از کتابخانه کنید. ابتدا اجازه دهید pipeline از کتابخانه ترانسفورماتور وارد کنیم.

 from transformers import pipeline

در Hugging Face، "pipeline" مانند ابزاری است که به شما کمک می کند یک سری مراحل را انجام دهید تا داده ها را به شکل دلخواه خود تغییر دهید. خط لوله، استفاده از این ابزارها را برای کارهای مختلف، بدون نیاز به دانستن تمام جزئیات پیچیده در مورد نحوه عملکرد این ابزارها در داخل، ساده می کند.

حالا بیایید خط لوله sentiment-analysis را بارگذاری کنیم.

 sentiment_pipeline = pipeline("sentiment-analysis")

حالا اگر بگویم کار ما تقریباً تمام شده است، باورتان می‌شود؟ مدل تجزیه و تحلیل احساسات ما آماده است و می توانیم متن را به خط لوله ارسال کنیم و برچسب و همچنین امتیاز احساسات را دریافت کنیم.

 # Run sentiment analysis result = sentiment_pipeline("Every new day brings a chance to create joyful memories and embrace new opportunities.") # Print the result print(result)

این هم خروجی کد بالا:

 [{'label': 'POSITIVE', 'score': 0.9998821020126343}]

اگر می خواهید چندین جمله را ارسال کنید، یک آرایه از ورودی ها را به خط لوله ارسال کنید.

 result = sentiment_pipeline(["Every new day brings a chance to create joyful memories and embrace new opportunities.","Despite the effort, the project failed to meet expectations, leading to disappointment and frustration among the team."]) print(result)

خروجی کد بالا به صورت زیر خواهد بود:

 [{'label': 'POSITIVE', 'score': 0.9998821020126343}, {'label': 'NEGATIVE', 'score': 0.9997937083244324}]

امیدوارم درک کرده باشید که کتابخانه Transformer Hugging Face چقدر قدرتمند است. این تنها نمونه ای از بسیاری از مدل های از پیش آموزش دیده ای است که Hugging Face ارائه می دهد. مگر اینکه روی یک مشکل منحصر به فرد کار می کنید، باید یک مدل از قبل آموزش دیده را در Hugging Face در دسترس خود پیدا کنید تا با آن کار کنید.

خلاصه

در این مقاله با تجزیه و تحلیل احساسات و Hugging Face، ابزاری قدرتمند در دنیای NLP آشنا شدیم. مهمتر از همه، شما اولین قدم های خود را در انجام تحلیل احساسات با استفاده از کتابخانه Hugging Face Transformers برداشته اید.

به یاد داشته باشید، آنچه ما پوشش داده ایم فقط نوک کوه یخ است. حوزه NLP گسترده است و دائما در حال پیشرفت است. کتابخانه Hugging Face Transformers یک متحد قدرتمند در سفر شما از طریق هوش مصنوعی است. این کار کارهای پیچیده را ساده می کند و به شما امکان دسترسی به مدل های از پیش آموزش دیده را می دهد و در زمان و منابع شما صرفه جویی می کند.

امیدواریم از این مقاله لذت برده باشید. مقالات بیشتر مبتدی در مورد هوش مصنوعی را در turingtalks.ai بیابید

خبرکاو