Compartilhar via

Tutorial: Analisar o sentimento de comentários de um site em um aplicativo Web usando o ML.NET Model Builder

  • Artigo

Aprenda a analisar o sentimento de comentários em tempo real em um aplicativo Web.

Este tutorial mostra como criar um aplicativo Razor Pages do ASP.NET Core que classifica o sentimento dos comentários de um site em tempo real.

Neste tutorial, você aprenderá a:

  • Criar um aplicativo Razor Pages do ASP.NET Core
  • Preparar e compreender os dados
  • Escolha um cenário
  • Carregar os dados
  • Treinar o modelo
  • Avaliar o modelo
  • Usar o modelo para previsões

É possível encontrar o código-fonte para este tutorial no repositório dotnet/machinelearning-samples.

Pré-requisitos

Para obter uma lista de pré-requisitos e instruções de instalação, visite o guia de instalação do Construtor de Modelo.

Criar um aplicativo Razor Pages

Crie um aplicativo Razor Pages do ASP.NET Core.

  1. No Visual Studio, abra a caixa de diálogo Criar um projeto.
  2. Na caixa de diálogo "Criar um projeto", selecione o modelo de projeto Aplicativo Web ASP.NET Core.
  3. Na caixa de texto Nome, digite "SentimentRazor" e selecione o botão Avançar.
  4. Na caixa de diálogo Informações adicionais, deixe todos os padrões como estão e selecione o botão Criar.

Preparar e compreender os dados

Baixe o conjunto de dados de desintoxicação da Wikipédia. Quando a página da Web abrir, clique nela com o botão direito do mouse, selecione Salvar como e salve o arquivo em qualquer lugar do computador.

Cada linha no conjunto de dados wikipedia-detox-250-line-data.tsv representa uma revisão diferente deixada por um usuário na Wikipédia. A primeira coluna representa o sentimento do texto (0 não é tóxico, 1 é tóxico) e a segunda coluna representa o comentário deixado pelo usuário. As colunas são separadas por tabulações. Os dados serão semelhantes ao seguinte:

Sentimento SentimentText
1 ==RUDE== Dude, you are rude upload that carl picture back, or else.
1 == OK! == IM GOING TO VANDALIZE WILD ONES WIKI THEN!!!
0 Eu espero que isso ajude.

Criar um arquivo de configuração do Model Builder

Ao adicionar um modelo de machine learning à solução pela primeira ver, ele solicitará que você crie um arquivo mbconfig. O arquivo mbconfig controla tudo o que você faz no Model Builder para permitir que você reabra a sessão.

  1. No Gerenciador de Soluções, clique com o botão direito do mouse no projeto SentimentRazor e selecione Adicionar>Modelo de machine learning….
  2. Na caixa de diálogo, nomeie o projeto SentimentAnalysis.mbconfig do Model Builder e selecione Adicionar.

Escolha um cenário

Tela de cenário do Model Builder

Para treinar seu modelo, você precisa selecionar na lista de cenários disponíveis de aprendizado de máquina fornecidos pelo Construtor de Modelo.

Para este exemplo, a tarefa é a classificação de texto. Na etapa Cenário da extensão Model Builder, selecione o cenário Classificação de texto.

Selecionar um ambiente

O Model Builder pode treinar em ambientes diferentes dependendo do cenário selecionado.

Selecione Local (GPU) como o ambiente e clique no botão Próxima etapa.

Observação

Esse cenário usa técnicas de aprendizado profundo que funcionam melhor em ambientes de GPU. Se você não tiver uma GPU, escolha o ambiente Local (CPU), mas observe que o tempo esperado para treinar será significativamente maior. Para obter mais informações sobre como usar GPUs com o Model Builder, consulte o Guia de suporte à GPU no Model Builder.

Carregar os dados

O Model Builder aceita dados de duas fontes, um banco de dados SQL Server ou um arquivo local no formato csv ou tsv.

  1. Na etapa de dados da ferramenta do Model Builder, selecione Arquivo nas opções de fonte de dados.
  2. Clique no botão ao lado da caixa de texto Selecionar um arquivo e use o Explorador de Arquivos para procurar e selecionar o arquivo wikipedia-detox-250-line-data.tsv.
  3. Escolha Sentimento na lista suspensa Coluna a ser prevista (Rótulo).
  4. Escolha SentimentText na lista suspensa Coluna de Texto.
  5. Selecione o botão Próxima etapa para passar para a próxima etapa no Model Builder.

Treinar o modelo

A tarefa de aprendizado de máquina usada para treinar o modelo de análise de sentimento neste tutorial é a classificação de texto. Durante o processo de treinamento do modelo, o Model Builder treina um modelo de classificação de texto para seu conjunto de dados usando a arquitetura de rede neural NAS-BERT.

  1. Selecione Iniciar Treinamento.

  2. Quando o treinamento for concluído, os resultados do processo de treinamento serão exibidos na seção Resultados do treinamento da tela Treinar. Além de fornecer os resultados do treinamento, três arquivos code-behind são criados no arquivo SentimentAnalysis.mbconfig.

    • SentimentAnalysis.consumption.cs – esse arquivo contém os esquemas ModelInput e ModelOutput, bem como a função Predict gerada para consumir o modelo.
    • SentimentAnalysis.training.cs – esse arquivo contém o pipeline de treinamento (transformações de dados, treinador, hiperparâmetros do treinador) escolhido pelo Model Builder para treinar o modelo. Você pode usar esse pipeline para treinar novamente seu modelo.
    • *SentimentAnalysis.zip – é um arquivo zip serializado que representa o modelo de ML.NET treinado.

  3. Selecione o botão Próxima etapa para passar para a próxima etapa.

Avaliar o modelo

O resultado da etapa de treinamento será um modelo com o melhor desempenho. Na etapa de avaliação da ferramenta Model Builder, a seção de saída conterá o treinador usado pelo modelo com melhor desempenho, nem como as métricas de avaliação.

Se você não estiver satisfeito com as métricas de avaliação, uma maneira fácil de tentar aprimorar o desempenho do modelo é usar mais dados.

Caso contrário, selecione o botão Próxima etapa para passar para a etapa Consumir no Model Builder.

Adicionar modelos de projeto de consumo (opcional)

Na etapa Consumir, o Model Builder fornece modelos de projeto que você pode usar para consumir o modelo. Essa etapa é opcional, e você pode escolher o método que melhor atende às suas necessidades quanto ao uso do modelo.

  • Aplicativo de console
  • API Web

Adicionar o código para fazer previsões

Configurar o pool do PredictionEngine

Para fazer uma única previsão, é necessário criar um PredictionEngine<TSrc,TDst>. PredictionEngine<TSrc,TDst> não é thread-safe. Além disso, é necessário criar uma instância dele em todos os lugares necessários no aplicativo. À medida que seu aplicativo cresce, esse processo pode se tornar não gerenciável. Para melhorar o desempenho e o acesso thread-safe, use uma combinação de injeção de dependência e o serviço PredictionEnginePool, que cria um ObjectPool<T> dos objetos PredictionEngine<TSrc,TDst> para uso em todo o aplicativo.

  1. Instale o pacote NuGet Microsoft.Extensions.ML:

    1. No Gerenciador de Soluções, clique com o botão direito no projeto e escolha Gerenciar Pacotes NuGet.
    2. Escolha "nuget.org" como a fonte do pacote.
    3. Selecione a guia Procurar e pesquise Microsoft.Extensions.ML.
    4. Selecione o pacote na lista e clique no botão Instalar.
    5. Clique no botão OK na caixa de diálogo Pré-visualização de alterações
    6. Clique no botão Aceito na caixa de diálogo Aceitação de licença se você concordar com os termos de licença dos pacotes listados.

  2. Abra o arquivo Program.cs no projeto SentimentRazor.

  3. Adicione o seguinte usando instruções para fazer referência ao pacote NuGet Microsoft.Extensions.ML e ao projeto SentimentRazorML.Model:

    using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;

  4. Configure o PredictionEnginePool<TData,TPrediction> para o aplicativo no arquivo Program.cs:

    builder.Services.AddPredictionEnginePool<ModelInput, ModelOutput>()
    .FromFile("SentimentAnalysis.zip");

Criar manipulador de análise de sentimento

As previsões serão feitas dentro da página principal do aplicativo. Portanto, um método que recebe a entrada do usuário e usa PredictionEnginePool<TData,TPrediction> para retornar uma previsão precisa ser adicionado.

  1. Abra o arquivo Index.cshtml.cs localizado no diretório Páginas e adicione o seguinte usando instruções:

    using Microsoft.Extensions.ML;
using static SentimentRazor.SentimentAnalysis;

    Para usar o PredictionEnginePool<TData,TPrediction> configurado no arquivo Program.cs, é necessário injetá-lo no construtor do modelo onde você deseja usá-lo.

  2. Adicione uma variável para fazer referência ao PredictionEnginePool<TData,TPrediction> dentro da classe IndexModel dentro do arquivo Pages/Index.cshtml.cs.

    private readonly PredictionEnginePool<ModelInput, ModelOutput> _predictionEnginePool;

  3. Modifique um construtor na classe IndexModel e injete o serviço PredictionEnginePool<TData,TPrediction> nele.

    public IndexModel(ILogger<IndexModel> logger, PredictionEnginePool<ModelInput, ModelOutput> predictionEnginePool)
{
    _logger = logger;
    _predictionEnginePool = predictionEnginePool;
}

  4. Crie um manipulador de método que use o PredictionEnginePool para fazer previsões sobre a entrada do usuário recebida na página da Web.

    1. Abaixo do método OnGet, adicione um método chamado OnGetAnalyzeSentiment

      public IActionResult OnGetAnalyzeSentiment([FromQuery] string text)
{

}

    2. Dentro do método OnGetAnalyzeSentiment, retorne o sentimento Neutro se a entrada do usuário estiver em branco ou for nula.

      if (String.IsNullOrEmpty(text)) return Content("Neutral");

    3. Dada uma entrada válida, crie nova instância de ModelInput.

      var input = new ModelInput { SentimentText = text };

    4. Use o PredictionEnginePool<TData,TPrediction> para prever o sentimento.

      var prediction = _predictionEnginePool.Predict(input);

    5. Converta o valor bool previsto em tóxico ou não tóxico com o código a seguir.

      var sentiment = Convert.ToBoolean(prediction.PredictedLabel) ? "Toxic" : "Not Toxic";

    6. Por fim, retorne o sentimento à página da Web.

      return Content(sentiment);

Configurar a página da Web

Os resultados retornados por OnGetAnalyzeSentiment serão exibidos dinamicamente na página da Web do Index.

  1. Abra o arquivo Index.cshtml no diretório Páginas e substitua o conteúdo pelo seguinte código:

    @page
@model IndexModel
@{
    ViewData["Title"] = "Home page";
}

<div class="text-center">
    <h2>Live Sentiment</h2>

    <p><textarea id="Message" cols="45" placeholder="Type any text like a short review"></textarea></p>

    <div class="sentiment">
        <h4>Your sentiment is...</h4>
        <p>😡 😐 😍</p>

        <div class="marker">
            <div id="markerPosition" style="left: 45%;">
                <div>▲</div>
                <label id="markerValue">Neutral</label>
            </div>
        </div>
    </div>
</div>

  2. Em seguida, adicione o código de estilo css ao final da página site.css no diretório wwwroot\css:

    /* Style for sentiment display */

.sentiment {
    background-color: #eee;
    position: relative;
    display: inline-block;
    padding: 1rem;
    padding-bottom: 0;
    border-radius: 1rem;
}

.sentiment h4 {
    font-size: 16px;
    text-align: center;
    margin: 0;
    padding: 0;
}

.sentiment p {
    font-size: 50px;
}

.sentiment .marker {
    position: relative;
    left: 22px;
    width: calc(100% - 68px);
}

.sentiment .marker > div {
    transition: 0.3s ease-in-out;
    position: absolute;
    margin-left: -30px;
    text-align: center;
}

.sentiment .marker > div > div {
    font-size: 50px;
    line-height: 20px;
    color: green;
}

.sentiment .marker > div label {
    font-size: 30px;
    color: gray;
}

  3. Depois disso, adicione o código para enviar entradas da página da Web para o manipulador OnGetAnalyzeSentiment.

    1. No arquivo site.js do diretório wwwroot\js, crie uma função chamada getSentiment para fazer uma solicitação GET HTTP com a entrada do usuário ao manipulador OnGetAnalyzeSentiment.

      function getSentiment(userInput) {
    return fetch(`Index?handler=AnalyzeSentiment&text=${userInput}`)
        .then((response) => {
            return response.text();
        })
}

    2. Abaixo disso, adicione outra função chamada updateMarker para atualizar dinamicamente a posição do marcador na página da Web conforme a previsão do sentimento.

      function updateMarker(markerPosition, sentiment) {
    $("#markerPosition").attr("style", `left:${markerPosition}%`);
    $("#markerValue").text(sentiment);
}

    3. Crie uma função de manipulador de eventos chamada updateSentimentpara obter a entrada do usuário, envie-a para a função OnGetAnalyzeSentiment usando a função getSentiment e atualize o marcador com a função updateMarker.

      function updateSentiment() {

    var userInput = $("#Message").val();

    getSentiment(userInput)
        .then((sentiment) => {
            switch (sentiment) {
                case "Not Toxic":
                    updateMarker(100.0, sentiment);
                    break;
                case "Toxic":
                    updateMarker(0.0, sentiment);
                    break;
                default:
                    updateMarker(45.0, "Neutral");
            }    
        });
}

    4. Por fim, registre o manipulador de eventos e vincule-o ao elemento textarea com o atributo id=Message.

      $("#Message").on('change input paste', updateSentiment)

Executar o aplicativo

Agora que seu aplicativo está configurado, execute o aplicativo, que deve ser iniciado no navegador.

Quando o aplicativo for iniciado, insira Este modelo não tem dados suficientes! na área de texto. A previsão de sentimento exibida deve ser Tóxico.

Janela em execução com a janela de previsão de sentimento

Observação

PredictionEnginePool<TData,TPrediction> cria várias instâncias de PredictionEngine<TSrc,TDst>. Devido ao tamanho do modelo, na primeira vez que você usá-lo para fazer uma previsão, poderá levar alguns segundos. As previsões subsequentes devem ser instantâneas.

Próximas etapas

Neste tutorial, você aprendeu a:

  • Criar um aplicativo Razor Pages do ASP.NET Core
  • Preparar e compreender os dados
  • Escolha um cenário
  • Carregar os dados
  • Treinar o modelo
  • Avaliar o modelo
  • Usar o modelo para previsões

Recursos adicionais

Para saber mais sobre os tópicos mencionados neste tutorial, visite os seguintes recursos: