自然语言处理预训练模型商品评价解析服务-电商领域服务 Java SDK示例

简介: 自然语言处理(Natural Language Processing,简称NLP),是为各类企业及开发者提供的用于文本分析及挖掘的核心工具,旨在帮助用户高效的处理文本,已经广泛应用在电商、文娱、司法、公安、金融、医疗、电力等行业客户的多项业务中,取得了良好的效果。可用于搭建内容搜索、内容推荐、舆情识别及分析、文本结构化、对话机器人等智能产品。NLP自学习平台提供了一些预训练的特定领域模型服务。例如:商品评价解析服务、新闻层次分类服务、中文简历抽取、英文简历抽取等,且无需自主标注训练,直接调用API即可使用。本文将使用Java SDK演示商品评价解析服务-电商领域的快速调用以供参考。

使用前提:服务开通与资源包购买

操作步骤:

1.添加pom依赖

   <dependency>
            <groupId>com.aliyun</groupId>
            <artifactId>aliyun-java-sdk-core</artifactId>
            <version>4.5.25</version>
        </dependency>
        <dependency>
            <groupId>com.aliyun</groupId>
            <artifactId>aliyun-java-sdk-nlp-automl</artifactId>
            <version>0.0.5</version>
        </dependency>
        <dependency>
            <groupId>com.aliyun</groupId>
            <artifactId>aliyun-java-sdk-alinlp</artifactId>
            <version>1.0.16</version>
       </dependency>

2.Code Sample

import com.aliyuncs.DefaultAcsClient;
import com.aliyuncs.IAcsClient;
import com.aliyuncs.exceptions.ClientException;
import com.aliyuncs.nlp_automl.model.v20191111.RunPreTrainServiceRequest;
import com.aliyuncs.nlp_automl.model.v20191111.RunPreTrainServiceResponse;
import com.aliyuncs.profile.DefaultProfile;
import com.google.gson.Gson;

import java.util.HashMap;
import java.util.Map;


//预训练模型  商品评价解析服务-电商领域 调用示例
public class SpPjia {
    public static void main(String[] args) throws ClientException{
        DefaultProfile defaultProfile = DefaultProfile.getProfile("cn-hangzhou","XXXXXXXXXX","XXXXXXXXXX");
        IAcsClient client = new DefaultAcsClient(defaultProfile);

        Map<String, Object> input = new HashMap();
        input.put("content","衣服收到了,给妈妈买的,面料凉爽柔软,质感轻柔,做工细致,款式时尚大方");
        input.put("domain","clothing");
        input.put("entity",true);
        Map<String, Object> map = new HashMap<String, Object>();
        map.put("input", input);

        RunPreTrainServiceRequest request = new RunPreTrainServiceRequest();
        request.setServiceName("ReviewAnalysis");

        //request.setPredictContent(JSON.toJSONString(map));  由于版本问题,json中包找不到
        request.setPredictContent(new Gson().toJson(map));
        RunPreTrainServiceResponse response = client.getAcsResponse(request);
        System.out.println(response.getPredictResult());
    }
}

3.测试结果

{"code":1000,"data":{"cost":"52.897ms","textProb":1.0,"aspectItem":[{"clause":"面料凉爽柔软","clauseIndex":"12,18","aspectPolarity":"正","terms":[{"aspectTerm":"面料","opinionTerm":"柔软","normedAspectTerm":"面料","normedOpinionTerm":"很软"},{"aspectTerm":"质感","opinionTerm":"轻柔","normedAspectTerm":"质感","normedOpinionTerm":"轻柔"},{"aspectTerm":"面料","opinionTerm":"凉爽","normedAspectTerm":"面料","normedOpinionTerm":"凉凉的"}],"positiveProb":1.0,"aspectCategory":"面料/材质","negativeProb":0.0},{"clause":"做工细致","clauseIndex":"24,28","aspectPolarity":"正","terms":[{"aspectTerm":"做工","opinionTerm":"细致","normedAspectTerm":"做工","normedOpinionTerm":"细致"}],"positiveProb":1.0,"aspectCategory":"做工","negativeProb":0.0},{"clause":"款式时尚大方","clauseIndex":"29,35","aspectPolarity":"正","terms":[{"aspectTerm":"款式","opinionTerm":"大方","normedAspectTerm":"图案","normedOpinionTerm":"简单大方"},{"aspectTerm":"款式","opinionTerm":"时尚","normedAspectTerm":"图案","normedOpinionTerm":"时尚"}],"positiveProb":1.0,"aspectCategory":"外观设计","negativeProb":0.0}],"textPolarity":"正"},"message":"SUCCESS","tracerId":"1651111945.5353065"}

更多参考

快速入门-模型服务调用流程
预训练模型使用教程
商品评价解析服务-电商领域
阿里云自然语言处理PHP Core SDK使用Quick Start

目录
相关文章
|
人工智能 自然语言处理 开发工具
HarmonyOS NEXT~鸿蒙开发能力:HarmonyOS SDK AI 全解析
本文深入解析HarmonyOS SDK中的AI功能集,涵盖分布式AI引擎、核心组件(NLP、计算机视觉等)及智能决策能力。通过代码示例与开发实践指南,帮助开发者掌握环境配置、性能调优及多场景应用(智能家居、移动办公等)。同时探讨性能优化策略与未来演进方向,助力构建高效分布式智能应用。
1618 9
|
人工智能 自然语言处理
Promptriever:信息检索模型,支持自然语言提示响应用户搜索需求
Promptriever 是一种新型信息检索模型,由约翰斯·霍普金斯大学和 Samaya AI 联合推出。该模型能够接受自然语言提示,并以直观的方式响应用户的搜索需求。通过在 MS MARCO 数据集上的训练,Promptriever 在标准检索任务上表现出色,能够更有效地遵循详细指令,提高查询的鲁棒性和检索性能。
477 6
Promptriever:信息检索模型,支持自然语言提示响应用户搜索需求
|
自然语言处理 PyTorch 算法框架/工具
掌握从零到一的进阶攻略:让你轻松成为BERT微调高手——详解模型微调全流程,含实战代码与最佳实践秘籍,助你应对各类NLP挑战!
【10月更文挑战第1天】随着深度学习技术的进步,预训练模型已成为自然语言处理(NLP)领域的常见实践。这些模型通过大规模数据集训练获得通用语言表示,但需进一步微调以适应特定任务。本文通过简化流程和示例代码,介绍了如何选择预训练模型(如BERT),并利用Python库(如Transformers和PyTorch)进行微调。文章详细说明了数据准备、模型初始化、损失函数定义及训练循环等关键步骤,并提供了评估模型性能的方法。希望本文能帮助读者更好地理解和实现模型微调。
1752 2
掌握从零到一的进阶攻略:让你轻松成为BERT微调高手——详解模型微调全流程,含实战代码与最佳实践秘籍,助你应对各类NLP挑战!
|
机器学习/深度学习 自然语言处理 语音技术
探索深度学习中的Transformer模型及其在自然语言处理中的应用
探索深度学习中的Transformer模型及其在自然语言处理中的应用
954 5
|
机器学习/深度学习 自然语言处理
预训练语言模型:从BERT到GPT,NLP的新纪元
自然语言处理(NLP)近年来因预训练语言模型(PLMs)的崛起而发生巨大变革。BERT和GPT等模型在学术与工业界取得突破性进展。本文探讨PLMs原理、发展历程及其实际应用,涵盖文本分类、命名实体识别、问答系统等场景,并通过实战案例展示如何使用这些强大的工具解决复杂的NLP任务。
|
机器学习/深度学习 人工智能 自然语言处理
探索深度学习与自然语言处理的前沿技术:Transformer模型的深度解析
探索深度学习与自然语言处理的前沿技术:Transformer模型的深度解析
933 1
|
机器学习/深度学习 自然语言处理 PyTorch
从零开始构建nlp情感分析模型!
本教程介绍了如何使用PyTorch和Hugging Face的Transformers库构建一个情感分析模型。主要内容包括导入所需库、读取训练数据集、加载预训练的BERT模型和分词器、定义情感数据集类、划分训练集和验证集、创建数据加载器、设置训练参数、训练模型、评估模型性能以及定义和测试预测函数。通过这些步骤,可以实现一个简单而有效的情感分析模型。
1575 2
|
存储 文字识别 算法
解析!文档扫描 SDK 中的高级图像处理技术
本博客讨论了图像质量在文档扫描中的重要性,解决了扫描过程中遇到的常见挑战,以及文档扫描 SDK 利用先进的图像处理技术来应对这些挑战。
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】探讨最新的深度学习算法、模型创新以及在图像识别、自然语言处理等领域的应用进展
深度学习作为人工智能领域的重要分支,近年来在算法、模型以及应用领域都取得了显著的进展。以下将探讨最新的深度学习算法与模型创新,以及它们在图像识别、自然语言处理(NLP)等领域的应用进展。
1051 6

热门文章

最新文章