百度云自然语言处理(Nlp)

这个自然语言处理功能十分强大,对一语话,可以进行类似我们以前的分词器分词效果,还能标记出可能倾向的搜索词.还有就是对语言的情感分析,文章的标签分类等等在商业场合应用都十分广泛的,来看这个小例子好像在微信小程序有看到

以上是引自百度的一个ai体验中心,.....

  /**
     * 词法分析
     */
    @Test
    public voidlexer(){JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();JSONObject lexer= aipNlp.lexer("好好学习天天向上!",options);System.out.println(lexer.toString());//{"log_id":664642641923030240,"text":"好好学习天天向上!","items":[// {"formal":"","loc_details":[],"item":"好好","pos":"d","ne":"","basic_words":["好","好"],"byte_length":4,"byte_offset":0,"uri":""},// {"formal":"","loc_details":[],"item":"学习","pos":"v","ne":"","basic_words":["学习"],"byte_length":4,"byte_offset":4,"uri":""},// {"formal":"","loc_details":[],"item":"天天向上","pos":"v","ne":"","basic_words":["天天","向上"],"byte_length":8,"byte_offset":8,"uri":""},// {"formal":"","loc_details":[],"item":"!","pos":"w","ne":"","basic_words":["!"],"byte_length":1,"byte_offset":16,"uri":""}]}

//词法分析（定制版）@Test
public voidlexerCustom(){JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();JSONObject lexer= aipNlp.lexer("广东省南山区科苑北清华信息港!",options);
System.out.println(lexer.toString());

//  {"log_id":2841336793035219062,"text":"广东省南山区科苑北清华信息港!","items":[// {"formal":"","loc_details":[],"item":"广东省","pos":"","ne":"LOC","basic_words":["广东","省"],"byte_length":6,"byte_offset":0,"uri":""},// {"formal":"","loc_details":[],"item":"南山区","pos":"","ne":"LOC","basic_words":["南山","区"],"byte_length":6,"byte_offset":6,"uri":""},// {"formal":"","loc_details":[],"item":"科苑","pos":"n","ne":"","basic_words":["科苑"],"byte_length":4,"byte_offset":12,"uri":""},// {"formal":"","loc_details":[],"item":"北","pos":"f","ne":"","basic_words":["北"],"byte_length":2,"byte_offset":16,"uri":""},// {"formal":"","loc_details":[],"item":"清华信息港","pos":"","ne":"ORG","basic_words":["清华","信息","港"],"byte_length":10,"byte_offset":18,"uri":""},// {"formal":"","loc_details":[],"item":"!","pos":"w","ne":"","basic_words":["!"],"byte_length":1,"byte_offset":28,"uri":""}]}//LOC    地名

   //依存法 句法分析@Test
    public voiddepParser(){JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();//模型选择。默认值为0，可选值mode=0（对应web模型）；mode=1（对应query模型options.put("mode",1);JSONObject lexer= aipNlp.depParser("我不想上班",options);System.out.println(lexer.toString());//{"log_id":8560515157495529056,"text":"我不想上班","items":[// {"head":2,"deprel":"SBV","postag":"n","id":1,"word":"我不想"},// {"head":0,"deprel":"HED","postag":"v","id":2,"word":"上班"}]}}

      //DNN 语言模型//中文DNN语言模型接口用于输出切词结果并给出每个词在句子中的概率值,判断一句话是否符合语言表达习惯。//ppl  float  描述句子通顺的值：数值越低，句子越通顺    resp_sample://prob float  该词在句子中的概率值,取值范围[0,1]@Test
        public voiddnnlmCn(){//   String words = "我上下班飞机在河里漂浮";String words= "我爱生活!";JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();JSONObject lexer= aipNlp.dnnlmCn(words,options);System.out.println(lexer.toString());//{"log_id":6371386997672135571,"text":"我上下班飞机在河里漂浮","items":[// {"prob":0.0161273,"word":"我"},// {"prob":0.00229803,"word":"上"},// {"prob":0.00197205,"word":"下班"},// {"prob":1.35979E-5,"word":"飞机"},// {"prob":0.0167389,"word":"在"},// {"prob":3.04629E-4,"word":"河里"},// {"prob":1.17134E-4,"word":"漂浮"}],// "ppl":1077.36}//=====================================================================//         {"log_id":962095172634786721,"text":"我爱生活!","items":[// {"prob":0.0161273,"word":"我"},// {"prob":0.0125896,"word":"爱"},// {"prob":9.05624E-4,"word":"生活"},// {"prob":0.0197345,"word":"!"}],}

      //词义相似度//  输入两个词，得到两个词的相似度结果。@Test
  public voidwordSimEmbedding(){String words1= "小";// 最大64kbString words2= "小";JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();//  options.put("mode", 0);JSONObject lexer= aipNlp.wordSimEmbedding(words1,words2,options);System.out.println(lexer.toString());//{"log_id":7955806838486346559,"score":1,"words":{"word_1":"小","word_2":"小"}}//score 相似度的分数 1 为完全相似}

//短文本 相似度//  输入两个短文本，得到两个词的相似度结果。@Test
public voidsimnet(){String words1= "立马";String words2= "马上";JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();options.put("model","CNN");JSONObject lexer= aipNlp.simnet(words1,words2,options);System.out.println(lexer.toString());//{"log_id":5656570856871633902,"score":0.580114,"texts":{"text_1":"立马","text_2":"马上"}}}

 //评论观点抽取// 评论观点抽取接口用来提取一条评论句子的关注点和评论观点，并输出评论观点标签及评论观点极性/**
  * Type
  * 1 - 酒店
  2 - KTV3 - 丽人
  4 - 美食餐饮
  5 - 旅游
  6 - 健康
  7 - 教育
  8 - 商业
  9 - 房产
  10 - 汽车
  11 - 生活
  12 - 购物
  13 - 3C
  */
@Test
 public voidcommentTag(){JavaAipNlp aipNlp= newJavaAipNlp();String text= "这家餐馆味道很差";HashMap<String,Object> options= newHashMap<String,Object>();JSONObject lexer= aipNlp.commentTag(text,ESimnetType.FOOD,options);System.out.println(lexer.toString());// {"log_id":8456459865047604201,"items":[// {"sentiment":0,"adj":"差劲","prop":"味道","end_pos":16,"abstract":"这家餐馆<span>味道很差<\/span>","begin_pos":8}]}String hotel= "喜来登酒店干净卫生";JSONObject result= aipNlp.commentTag(hotel,ESimnetType.HOTEL,options);System.out.println(result.toString());//prop string 匹配上的属性词//adj  string 匹配上的描述词// sentiment    int    该情感搭配的极性（0表示消极，1表示中性，2表示积极）//begin_pos    int    该情感搭配在句子中的开始位置  (干)//end_pos  int    该情感搭配在句子中的结束位置  (生)//  abstract   string 对应于该情感搭配的短句摘要//{"log_id":6206030619412743250,"items":[// {"sentiment":2,"adj":"卫生","prop":"干净","end_pos":18,"abstract":"喜来登酒店<span>干净卫生<\/span>","begin_pos":10},// {"sentiment":2,"adj":"干净","prop":"卫生","end_pos":18,"abstract":"喜来登酒店<span>干净卫生<\/span>","begin_pos":10}]}}

/**
    *   情感倾向分析
    *   对包含主观观点信息的文本进行情感极性类别（积极、消极、中性）的判断，并给出相应的置信度。
    */
   @Test
   public voidsentimentClassify(){JavaAipNlp aipNlp=newJavaAipNlp();String text="淘宝上很多假货";HashMap<String,Object>options=newHashMap<String,Object>();JSONObject lexer=aipNlp.sentimentClassify(text,options);System.out.println(lexer.toString());// {"log_id":4774610278737884339,

//"text":"淘宝上很多假货",

//"items":[{"positive_prob":0.498948,"sentiment":1,"confidence":0.97895,"negative_prob":0.501053}]}

/**
        * +sentiment   是  number 表示情感极性分类结果, 0:负向，1:中性，2:正向
        +confidence    是  number 表示分类的置信度
        +positive_prob 是  number 表示属于积极类别的概率
        +negative_prob 是  number 表示属于消极类别的概率
        */
   }

/*文章标签文章标签服务能够针对网络各类媒体文章进行快速的内容理解，根据输入含有标题的文章，输出多个内容标签以及对

应的置信度，用于个性化推荐、相似文章聚合、文内容分析等场景。

*/ @Test public void keyword(){ String title = "iphone手机出现“白苹果”原因及解决办法，用苹果手机的可以看下" ; String content = "如果下面的方法还是没有解决你的问题建议来我们门店看下成都市锦江区红星路三段99号银石广场24层01室。" ; JavaAipNlp aipNlp = new JavaAipNlp() ; HashMap< String , Object> options = new HashMap< String , Object>() ; JSONObject lexer = aipNlp.keyword( title , content , options) ; System. out.println( lexer.toString()) ; /* {"log_id":3274746225884300396,"items":[ {"score":0.99775,"tag":"iphone"}, {"score":0.862602,"tag":"手机"}, {"score":0.845657,"tag":"苹果"}, {"score":0.837886,"tag":"苹果公司"}, {"score":0.811601,"tag":"白苹果"}, {"score":0.797911,"tag":"数码"}]} +tag 是 string 关注点字符串 +score 是 number 权重(取值范围0~1) */}

/**
 * 文章分类
 对文章按照内容类型进行自动分类，首批支持娱乐、体育、科技等26个主流内容类型，为文章聚类、

文本内容分析等应用提供基础技术支持。
 */
@Test
public voidtopic(){String title= "欧洲冠军杯足球赛";String content= "欧洲冠军联赛是欧洲足球协会联盟主办的年度足球比赛，

代表欧洲俱乐部足球最高荣誉和水平，被认为是全世界最高素质、" +"最具影响力以及最高水平的俱乐部赛事，亦是世界上奖金最高的足球赛事和体育赛事之一。";JavaAipNlp aipNlp= newJavaAipNlp();HashMap<String,Object> options= newHashMap<String,Object>();JSONObject lexer= aipNlp.topic(title,content,options);System.out.println(lexer.toString());/**
     *  返回参数说明
     * +lv1_tag_list   array of objects   一级分类结果
     +lv2_tag_list array of objects   二级分类结果

     实际返回参数:
     * {"log_id":6440401236167732852,"item":{"lv2_tag_list":[
     * {"score":0.915631,"tag":"足球"},
     * {"score":0.803507,"tag":"国际足球"},
     * {"score":0.77813,"tag":"英超"}],
     * "lv1_tag_list":[{"score":0.830915,"tag":"体育"}]}}
     */
}

像百度在大数据,人工智能这一块的业务做得已经很开了,就像调查问卷,你可以直接根据你想调查的行业和问题调用

他们的接口数据,返回他们的真是调查结果给你.已经很厉害了,只是这个需要一元一份问卷,看似很贵,但是这是他们

多年的数据积累啊.还有就是根据您的视频可以提取视频里面精彩部分作为帧图或者缩略图,等等很强大的接口,

视频播放网站上那些我们看到的电影的缩略图是不是就是这样来的?

百度云自然语言处理(Nlp)相关推荐

【美国大学生数学建模比赛】2020C题（总结和原创参赛论文）百度云请自取
最新想法: 本学期选修了下大数据,发现其实本题的解法还涉及到数据库.大数据各个层次数据处理和分布式数据流blabla,而之前那几天美赛做的还停留在最基础的数据处理层(而且我现在觉得如果要做大的话不应该 ...
人工智能全栈学习路线之人工智能概览(百度云智学院学习笔记)
最近参加了百度云智学院的AI学习课程,下面是课程链接: 人工智能全栈学习路线课程内容通俗易懂,下面是我在学习的过程中整理的笔记 AI趣味课堂人工智能基础知识计算机视觉自然语言处理语音任务人 ...
百度云智学院AI学习路线
目录简介人工智能 1:Python编程基础与实战 1:基本语法: 2:Python数据类型 3:python控制语句和函数定义 4:文件操作 5:面向对象编程 6:excel 7:python解析 ...
百度云重磅发布ABC 3.0 尹世明如何诠释百度云的“新”打法
雷锋网9月4日消息,2018百度云智峰会正式召开,百度总裁张亚勤发表题为<新技术驱动,全面进入Cloud2.0>的演讲并表示,经历了PC+Client/Server到Mobile+Clou ...
前沿技术资料百度云链接(资料共享)
1024G--前沿技术资料百度云链接: 人工智能:链接:http://pan.baidu.com/s/1nvk5AaP 密码:dpg5 深度学习:链接:http://pan.baidu.com/s ...
自然语言处理NLP——ERNIE-M：基于回译机制的“预训练-微调”多语言模型
目录系列文章目录一.背景介绍 1.多语言任务 1.1 多语言任务定义 1.2 多语言任务难题 2.多语言模型 2.1 多语言模型定义与原理 2.2 多语言模型困难 3.论文简介 3.1 背景与开发 ...
2020百度云秀最新成绩单，AI Cloud活跃客户数同比去年增长65%
12月17日,"ABC SUMMIT 2020百度云智峰会"在北京举行.大会以"智者先行"为主题,百度CTO王海峰展现了518新战略后百度智能云取得的最新成绩和 ...
百度云「升级战」：王海峰站台，新架构全面AI化，AI和知识中台登场
5月18日,"ABC SUMMIT 2020百度夏季云智峰会"在线上召开.刚刚经历了人事变动的百度云迎来重磅升级,大会以"百度智能云加速产业智能化"为主题,百度 ...
百度一口气亮出NLP十年积累：完整技术布局全面披露，面向业界砸下11项七夕大礼...
鱼羊发自凹非寺量子位报道 | 公众号 QbitAI 十年,从名不见经传到世界舞台中央,中国NLP经历怎样的历程,未来又将向何处去? ACL首任华人主席.百度CTO王海峰说:站在百度的角度,过去 ...
顶会ACL这十年：百度披荆斩棘，中国NLP乘风破浪
鱼羊发自凹非寺量子位报道 | 公众号 QbitAI 现在,我们已经习惯了全球各类顶级学术会议上的中国力量. 从论文入选,到参会面孔,抑或赞助企业,中国代表几乎无处不在. 前不久刚落幕的ACL ...

百度云自然语言处理(Nlp)

百度云自然语言处理(Nlp)相关推荐

最新文章

热门文章

百度云 自然语言处理(Nlp)

百度云 自然语言处理(Nlp)相关推荐

最新文章

热门文章

百度云自然语言处理(Nlp)

百度云自然语言处理(Nlp)相关推荐