افترض أن لديك الفرصة لتلقي التعليقات أو المراجعات من عملائك أو من مصدر آخر وتريد تقييم مدى إيجابيتهم. هناك طريقة لتحليل مثل هذه التعليقات تسمى تحليل المشاعر. يركز هذا المنشور على أداة تحليل المشاعر بناءً على نموذج شبكة عصبية عميقة باستخدام C #. هذا النموذج مناسب لمجموعة واسعة من المهام.
واجهة برمجة تطبيقات تحليل المشاعر لـ .NET
إذا كنت تريد القيام بتحليل المشاعر برمجيًا ، فإن GroupDocs.Classification يخدم هذا الغرض من أجلك. يقوم بتنفيذ مصنف للمشاعر للأغراض العامة يمكن استخدامه لتقييم نغمة مراجعات المنتج ، ومراجعات المتجر ، ومراجعات التطبيق ، والتغذية المرتدة ، وما إلى ذلك.
ستوجهك هذه المقالة إلى تصنيف التعليقات وتحليل الإيجابية باستخدام C # مع GroupDocs.Classification لـ .NET. لذا قبل أن تبدأ ، يرجى التأكد من تثبيت API بأي من الطرق التالية:
كيفية تصنيف النص باستخدام تحليل المشاعر في C
لحل مثل هذه المهمة ، يمكننا استخدام فئة عامة تسمى مصنف ، أو يمكننا استخدام مصنف المشاعر ، وهو فئة أبسط قليلاً وخفيفة الوزن. فيما يلي الخطوات:
- قم بتهيئة SentimentClassifier.
- قم باستدعاء طريقة PositiveProbability لفئة SentimentClassifier ومرر النص كمعامل يحتاج إلى التحليل.
- ستعيد طريقة PositiveProbability الإيجابية التي تتراوح من 0 إلى 1.
إليك رمز C # للعثور على نغمة أي عبارة باستخدام تصنيف المشاعر. لقد اخترنا المشاعر التالية كمثال:
“الخبرة هي ببساطة الأسم الذي نطلقه على أخطائنا”
// Analyze the positivity of text using sentiment classifier in C#.
var sentiment = "Experience is simply the name we give our mistakes";
var sentimentClassifier = new SentimentClassifier();
/// PositiveProbability method returns the positive probability of the sentiment.
var positiveProbability = sentimentClassifier.PositiveProbability(sentiment);
Console.WriteLine($"Positive Probability of the sentiment { positiveProbability }");
Positive Probability of the sentiment: **0.1118**
أي قيمة أكبر من 0.5 تعني أن المشاعر إيجابية وأن النطاق بين 0 و 0.5 يظهر أنه سلبي.
الآن وفقًا للإيجابية المستخرجة ، قد تحصل على أفضل فئة لتلك المشاعر واحتمالية أن تكون أفضل فئة. وجدنا أن احتمالها الإيجابي هو 0.11 ، لذا يجب تصنيفها كتعليق سلبي ويجب أن تكون أفضل فئة لها سلبية وليست إيجابية.
إذن ما هو أفضل احتمالية لفصلتها؟ نعم ، سيكون 0.89. الآن دعنا نرى في الكود:
var sentiment = "Experience is simply the name we give our mistakes";
/// Classify method returns ClassificationResult object with the best class probability and name.
var response = sentimentClassifier.Classify(sentiment);
Console.WriteLine($"Best Class Name: {response.BestClassName}");
Console.WriteLine($"Best Class Probability: { response.BestClassProbability}");
Best Class Name: **Negative**
Best Class Probability: **0.8882**
تصنيف التعليقات المتعددة باستخدام تحليل المشاعر في C
عادة لدينا آلاف التعليقات والتعليقات ، فكيف يمكننا تحليل ملاحظات عملائنا؟ الأمر بسيط ، فقط ضع التعليقات في مجموعة. دع مصفوفة السلسلة تكون مصدر المراجعة. يمكن أن يكون أيضًا ملفًا أو استجابة محللة من قاعدة بيانات أو خدمة. يمكننا تحويل مصفوفة السلسلة إلى مصفوفة عائمة لاحتمالات المشاعر الإيجابية.
var sentiments = new string\[\] {
"Now that is out of the way, this thing is a beast. It is fast and runs cool.",
"Experience is simply the name we give our mistakes",
"When I used compressed air a cloud of dust bellowed out from the card (small scuffs and scratches).",
"This is Pathetic."
};
var classifier = new GroupDocs.Classification.SentimentClassifier();
var sentimentPositivity = sentiments.Select(x => classifier.PositiveProbability(x)).ToArray();
Console.WriteLine(string.Join("\\n", sentimentPositivity));
**0.8959** - "Now that is out of the way, this thing is a beast..."
**0.1118** - "Experience is simply the name we give our mistakes"
**0.1252** - "When I used compressed air a cloud ..."
**0.0970** - "This is Pathetic."
ماذا يمكننا أن نفعل بالمشاعر المستهدفة؟ يمكننا قياس الإيجابيات المتوسطة أو المتوسطة للمنتج المستهدف ، والتسوق ، وما إلى ذلك. حدد أسوأ القيم والرد على العملاء. يمكننا أيضًا إجراء تحليل مثل إيجاد التناقضات بين قيمة الاحتمالية الإيجابية للمنتج وتصنيفه.
نأمل أن تجد هذا المنشور مفيدًا. يمكنك العثور على المزيد حول تصنيف النص أو تحليل المشاعر في C # من الموارد المذكورة.
تعرف على المزيد حول GroupDocs.Classification API
يعد تنزيل أمثلة GitHub وتشغيلها أفضل وأسهل طريقة للبدء.