wap网站一览,无锡设计公司排名,沈阳网站开发,网站建设代码应用场景
从商品详情页爬取商品评论#xff0c;对其做舆情分析#xff1b;电话客服#xff0c;对音频进行分析#xff0c;做舆情分析#xff1b;
通过开发相应的服务接口#xff0c;进一步工程化#xff1b; 模型选用
文本#xff0c;选用了通义实验室fine-tune的st…应用场景
从商品详情页爬取商品评论对其做舆情分析电话客服对音频进行分析做舆情分析
通过开发相应的服务接口进一步工程化 模型选用
文本选用了通义实验室fine-tune的structBERT 模型基于大众点评的评论数据进行训练使用预训练模型进行推理CPU 能跑支持模型微调基本上不用微调了因为他是基于电商领域的数据集进行训练的基本够用可本地部署
参考论文 title: Incorporating language structures into pre-training for deep language understandingauthorWang, Wei and Bi, Bin and Yan, Ming and Wu, Chen and Bao, Zuyi and Xia, Jiangnan and Peng, Liwei and Si, LuojournalarXiv preprint arXiv:1908.04577year2019 版本依赖 modelscope-lib 最新版本 推理代码
semantic_cls pipeline(Tasks.text_classification, damo/nlp_structbert_sentiment-classification_chinese-base)comment0 非常厚实的一包大米来自遥远的东北盘锦大米应该不错的密封性很好。卖家的服务真是贴心周到他们提供了专业的建议帮助我选择了合适的商品。物流速度也很快让我顺利收到了商品。
result0 semantic_cls(inputcomment0)
if result0[scores][0] result0[scores][1]:print( comment0 属于 result0[labels][0] 评价)
else:print( comment0 属于 result0[labels][1] 评价)comment1 食物的口感还不错不过店员的服务态度可以进一步改善一下。
result1 semantic_cls(inputcomment1)
if result1[scores][0] result1[scores][1]:print( comment1 属于 result1[labels][0] 评价)
else:print( comment1 属于 result1[labels][1] 评价)comment2 衣服尺码合适色彩可以再鲜艳一些客服响应速度一般。
result2 semantic_cls(inputcomment2)
if result2[scores][0] result2[scores][1]:print( comment2 属于 result2[labels][0] 评价)
else:print( comment2 属于 result2[labels][1] 评价)comment3 物流慢售后不好货品质量差。
result3 semantic_cls(inputcomment3)
if result3[scores][0] result3[scores][1]:print( comment3 属于 result3[labels][0] 评价)
else:print( comment3 属于 result3[labels][1] 评价)comment4 物流包装顺坏不过客服处理速度比较快也给了比较满意的赔偿。
result4 semantic_cls(inputcomment4)
if result4[scores][0] result4[scores][1]:print( comment4 属于 result4[labels][0] 评价)
else:print( comment4 属于 result4[labels][1] 评价)comment5 冰箱制冷噪声较大制冷慢。
result5 semantic_cls(inputcomment5)
if result5[scores][0] result5[scores][1]:print( comment5 属于 result5[labels][0] 评价)
else:print( comment5 属于 result5[labels][1] 评价)comment6 买了一件刘德华同款鞋穿在自己脚上不像刘德华像扫大街的。
result6 semantic_cls(inputcomment6)
if result6[scores][0] result6[scores][1]:print( comment6 属于 result6[labels][0] 评价)
else:print( comment6 属于 result6[labels][1] 评价)
运行结果 非常厚实的一包大米来自遥远的东北盘锦大米应该不错的密封性很好。卖家的服务真是贴心周到他们提供了专业的建议帮助我选择了合适的商品。物流速度也很快让我顺利收到了商品。属于正面评价 食物的口感还不错不过店员的服务态度可以进一步改善一下。属于正面评价 衣服尺码合适色彩可以再鲜艳一些客服响应速度一般。属于正面评价 物流慢售后不好货品质量差。属于负面评价 物流包装顺坏不过客服处理速度比较快也给了比较满意的赔偿。属于正面评价 冰箱制冷噪声较大制冷慢。属于负面评价 买了一件刘德华同款鞋穿在自己脚上不像刘德华像扫大街的。属于负面评价 音频选用了通义实验室 fine-tune的emotion2vec微调模型CPU 能跑可本地部署
参考论文 title: Self-Supervised Pre-Training for Speech Emotion RepresentationauthorMa, Ziyang and Zheng, Zhisheng and Ye, Jiaxin and Li, Jinchao and Gao, Zhifu and Zhang, Shiliang and Chen, XiejournalarXiv preprint arXiv:2312.15185year2023 开源地址 Official PyTorch code for extracting features and training downstream models with emotion2vec: Self-Supervised Pre-Training for Speech Emotion Representation 版本依赖 modelscope 1.11.1 funasr1.0.5 推理代码
from funasr import AutoModelmodel AutoModel(modeliic/emotion2vec_base_finetuned, model_revisionv2.0.4)wav_file f{model.model_path}/example/test.wav
res model.generate(wav_file, output_dir./outputs, granularityutterance, extract_embeddingFalse)
print(res)scores res[0][scores]max_score 0
max_index 0
i 0
for score in scores:if score max_score:max_score scoremax_index ii 1print(音频分析后情感基调为 res[0][labels][max_index])
运行结果 rtf_avg: 0.263: 100%|██████████| 1/1 [00:0200:00, 2.64s/it] [{key: rand_key_2yW4Acq9GFz6Y, labels: [生气/angry, 厌恶/disgusted, 恐惧/fearful, 开心/happy, 中立/neutral, 其他/other, 难过/sad, 吃惊/surprised, unk], scores: [0.06824027001857758, 0.030794354155659676, 0.20301730930805206, 0.09666425734758377, 0.12219445407390594, 0.06753909587860107, 0.13648174703121185, 0.11873088777065277, 0.1563376784324646]}] 音频分析后情感为恐惧/fearful Process finished with exit code 0
