Skip to content

Latest commit

 

History

History
 
 

senta_gru

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
assets
assets
 
 
README.md
README.md
 
 
__init__.py
__init__.py
 
 
module.py
module.py
 
 
processor.py
processor.py
 
 

README.md

senta_gru

模型名称 senta_gru
类别 文本-情感分析
网络 GRU
数据集 百度自建数据集
是否支持Fine-tuning 否
模型大小 637MB
最新更新日期 2021-02-26
数据指标 -

一、模型基本信息

  • 模型介绍

    • 情感倾向分析（Sentiment Classification，简称Senta）针对带有主观描述的中文文本，可自动判断该文本的情感极性类别并给出相应的置信度，能够帮助企业理解用户消费习惯、分析热点话题和危机舆情监控，为企业提供有利的决策支持。该模型基于一个GRU结构，情感类型分为积极、消极。

二、安装

三、模型API预测

  • 1、命令行预测

    • $ hub run senta_gru --input_text "今天天气真好"

      或者

    • $ hub run senta_gru --input_file test.txt

      • test.txt 存放待预测文本， 如：

        这家餐厅很好吃

        这部电影真的很差劲

    • 通过命令行方式实现文字识别模型的调用，更多请见 PaddleHub命令行指令

  • 2、预测代码示例

    • import paddlehub as hub

senta = hub.Module(name="senta_gru")
test_text = ["这家餐厅很好吃", "这部电影真的很差劲"]

results = senta.sentiment_classify(texts=test_text, use_gpu=False, batch_size=1)

for result in results:
    print(result['text'])
    print(result['sentiment_label'])
    print(result['sentiment_key'])
    print(result['positive_probs'])
    print(result['negative_probs'])
# 这家餐厅很好吃 1 positive 0.9607 0.0393
# 这部电影真的很差劲 0 negative 0.0187 0.9813

  • 3、API

    • def sentiment_classify(texts=[], data={}, use_gpu=False, batch_size=1)

      • senta_gru预测接口，预测输入句子的情感分类(二分类，积极/消极）

      • 参数

        • texts(list): 待预测数据，如果使用texts参数，则不用传入data参数，二选一即可
        • data(dict): 预测数据，key必须为text，value是带预测数据。如果使用data参数，则不用传入texts参数，二选一即可。建议使用texts参数，data参数后续会废弃。
        • use_gpu(bool): 是否使用GPU预测，如果使用GPU预测，则在预测之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置
        • batch_size(int): 批处理大小

      • 返回

        • results(list): 情感分类结果
    • def get_labels()

      • 获取senta_gru的类别

      • 返回

        • labels(dict): senta_gru的类别(二分类，积极/消极)
    • def get_vocab_path()

      • 获取预训练时使用的词汇表

      • 返回

        • vocab_path(str): 词汇表路径

四、服务部署

  • PaddleHub Serving可以部署一个在线情感分析服务，可以将此接口用于在线web应用。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

      $ hub serving start -m senta_gru

    • 启动时会显示加载模型过程，启动成功后显示

      Loading senta_gru successful.

    • 这样就完成了服务化API的部署，默认端口号为8866。

    • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

  • 第二步：发送预测请求

    • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

      import requests
import json

# 待预测数据
text = ["这家餐厅很好吃", "这部电影真的很差劲"]

# 设置运行配置
# 对应本地预测senta_gru.sentiment_classify(texts=text, batch_size=1, use_gpu=True)
data = {"texts": text, "batch_size": 1, "use_gpu":True}

# 指定预测方法为senta_gru并发送post请求，content-type类型应指定json方式
# HOST_IP为服务器IP
url = "http://HOST_IP:8866/predict/senta_gru"
headers = {"Content-Type": "application/json"}
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(json.dumps(r.json(), indent=4, ensure_ascii=False))

    • 关于PaddleHub Serving更多信息参考：服务部署

五、更新历史

  • 1.0.0

    初始发布

  • 1.0.1

    词汇表升级

  • 1.1.0

    大幅提升预测性能

  • 1.2.0

    模型升级，支持用于文本分类，文本匹配等各种任务迁移学习

  • 1.2.1

    移除 fluid api

    • $ hub install senta_gru==1.2.1