AI സെന്റിമെന്റ് അനലൈസർ

ഇത് നിങ്ങളോട് എന്ത് പറയുന്നു

ഒരു ടെക്സ്റ്റ് ഭാഗം പേസ്റ്റ് ചെയ്ത്, Analyze അമർത്തുക, ഇത് പോസിറ്റീവ് ആയോ നെഗറ്റീവ് ആയോ വായിക്കുന്നുണ്ടോ എന്ന് പേജ് റിപ്പോർട്ട് ചെയ്യും, ഓരോ വശത്തിനും ഒരു സ്കോർ സഹിതം. ന്യൂട്രൽ ഓപ്ഷൻ ഇല്ല: ഏത് സ്കോർ ഉയർന്നതാണോ അത് തലക്കെട്ടാകും, പ്രോഗ്രസ് ബാർ ആ വശത്തേക്ക് ചായും.

ഇത് ഒരു പോളാരിറ്റി ക്ലാസിഫയർ ആണ്, പൂർണ്ണമായ ഒരു സെന്റിമെന്റ് സിസ്റ്റം അല്ല. ഇത് വശങ്ങൾ വേർതിരിച്ചെടുക്കുന്നില്ല, കോപം അല്ലെങ്കിൽ സന്തോഷം പോലുള്ള വികാരങ്ങൾ ലേബൽ ചെയ്യുന്നില്ല, ഏത് വാക്കുകളാണ് ഫലത്തിലേക്ക് നയിച്ചതെന്ന് വിശദീകരിക്കുന്നുമില്ല. ഇത് ഒരു ഇടുങ്ങിയ ചോദ്യത്തിന് ഉത്തരം നൽകുന്നു — ഈ ടെക്സ്റ്റ് അനുകൂലമായി തോന്നുന്നുണ്ടോ അതോ പ്രതികൂലമായി തോന്നുന്നുണ്ടോ? — വ്യാഖ്യാനം നിങ്ങൾക്ക് വിടുന്നു.

മോഡൽ

ഉൾപ്പെടുത്തിയിരിക്കുന്ന മോഡൽ SST-2 പാരമ്പര്യത്തിലുള്ള ഒരു വാക്യതല പോളാരിറ്റി ക്ലാസിഫയർ ആണ്: ചെറിയ ഇംഗ്ലീഷ് വാക്യങ്ങൾ, കൂടുതലും സിനിമാ അവലോകനങ്ങൾ, പോസിറ്റീവ് അല്ലെങ്കിൽ നെഗറ്റീവ് എന്ന് ലേബൽ ചെയ്തവ. ആ ഉത്ഭവം പ്രധാനമാണ്. സാധാരണ, മൂല്യനിർണ്ണയാത്മക ഭാഷയിൽ പറഞ്ഞ അഭിപ്രായങ്ങളിൽ ഇത് നല്ലതാണ്, കണ്ടെത്താൻ അഭിപ്രായമേയില്ലാത്ത വസ്തുതാപരമായ ടെക്സ്റ്റിൽ ദുർബലവും.

രണ്ട് സ്കോറുകളും സാധാരണയായി ഏകദേശം ഒന്ന് വരെ കൂടിച്ചേരും, കാരണം അടിസ്ഥാന ക്ലാസിഫയർ ഓരോ ക്ലാസിനും ഒരു പ്രോബബിലിറ്റി നൽകുന്നു. പേജ് രണ്ടും കാണിക്കുന്നു, പക്ഷേ വലിയ ലേബലും ബാറും ഉയർന്നതിനെ മാത്രം പിന്തുടരുന്നു.

ഫലം എങ്ങനെ വരയ്ക്കുന്നു

പോസിറ്റീവ് വിജയിക്കുമ്പോൾ, പാനൽ ഒരു പുഞ്ചിരി ഐക്കൺ, പച്ച നിറത്തിൽ Positive എന്ന വാക്ക്, പോസിറ്റീവ് സ്കോറിന്റെ പകുതിയിൽ 50 ശതമാനം കൂട്ടിയ വീതിയുള്ള ഒരു ബാർ എന്നിവ കാണിക്കുന്നു. അതിനാൽ 0.90 പോസിറ്റീവ് സ്കോർ 85 ശതമാനം ബാർ വരയ്ക്കുന്നു, 90 ശതമാനം അല്ല. ബാർ മധ്യബിന്ദുവിൽ നിന്ന് ഒരു ദൃശ്യ ചായ്വ് ആണ്, സ്കോറിന്റെ നേരിട്ടുള്ള പ്ലോട്ട് അല്ല.

നെഗറ്റീവ് വിജയിക്കുമ്പോൾ, അതേ കണക്ക് നെഗറ്റീവ് സ്കോറിന് ബാധകമാകും, ലേബൽ ചുവപ്പാകും. സ്കോറുകൾ കൃത്യമായി തുല്യമാണെങ്കിൽ, കോഡ് നെഗറ്റീവ് ശാഖയിൽ വീഴുന്നു, അതിനാൽ കൃത്യമായ ഒരു ടൈ Negative ആയി കാണിക്കുന്നു.

ബാറിന് താഴെ, രണ്ട് ശതമാനങ്ങളും Negative, Positive എന്ന് ലേബൽ ചെയ്ത് വശങ്ങളിൽ അടുത്തടുത്തായി അച്ചടിക്കുന്നു. അവയാണ് യഥാർത്ഥ സംഖ്യകൾ; ബാർ ഒരു സംഗ്രഹം മാത്രമാണ്. Clear ബട്ടൺ ടെക്സ്റ്റേറിയ കാലിയാക്കുന്നു, അക്ഷര എണ്ണം പുനഃസജ്ജമാക്കുന്നു, ഫലം മറയ്ക്കുന്നു.

ഘട്ടം ഘട്ടമായി

1. ബോക്സിൽ ടെക്സ്റ്റ് പേസ്റ്റ് ചെയ്യുകയോ ടൈപ്പ് ചെയ്യുകയോ ചെയ്യുക. നിങ്ങൾ ടൈപ്പ് ചെയ്യുമ്പോൾ അക്ഷര കൗണ്ടർ അപ്ഡേറ്റ് ആകുന്നു.
2. കുറഞ്ഞത് മൂന്ന് അക്ഷരങ്ങൾ ഉണ്ടാകുന്നതുവരെ Analyze ബട്ടൺ പ്രവർത്തനരഹിതമായി തുടരും.
3. ആദ്യ റണ്ണിൽ, ബ്രൗസർ ടെക്സ്റ്റ് റൺടൈമും BERT മോഡലും ഡൗൺലോഡ് ചെയ്യുന്നു. പാനൽ ഓരോ ഘട്ടവും പേരിടുന്നു.
4. Analyze Sentiment അമർത്തുക. ഫലം കാലി അവസ്ഥയെ മാറ്റിസ്ഥാപിക്കുന്നു.
5. ടെക്സ്റ്റ് എഡിറ്റ് ചെയ്ത് വീണ്ടും വിശകലനം ചെയ്ത് താരതമ്യം ചെയ്യുക; മോഡൽ ലോഡ് ചെയ്ത നിലയിൽ തുടരും.

ആദ്യ റൺ കാത്തിരിപ്പ് ഒഴിവാക്കാൻ താൽപ്പര്യമുണ്ടെങ്കിൽ Load AI Model ബട്ടൺ എല്ലാം മുൻകൂട്ടി ലോഡ് ചെയ്യുന്നു. ലോഡ് ചെയ്തുകഴിഞ്ഞാൽ അത് ഒരു പച്ച "Model Ready" അവസ്ഥയിലേക്ക് മാറുന്നു.

സ്കോറുകൾ സത്യസന്ധമായി വായിക്കൽ

ഒരു സ്കോർ എന്നത് ഒരു ലേബലിലുള്ള ക്ലാസിഫയറിന്റെ ആത്മവിശ്വാസമാണ്, അളന്ന വികാരതീവ്രതയല്ല. 0.95 പോസിറ്റീവ് എന്നാൽ ആ വാക്യം പോസിറ്റീവ് ക്ലാസിൽ പെടുന്നു എന്ന് മോഡലിന് ആത്മവിശ്വാസമുണ്ട് എന്നാണ്; ആ വാക്യം അതീവ പോസിറ്റീവ് ആണെന്ന് അർത്ഥമാക്കുന്നില്ല. ഒരു നേരിയ അനുകൂല അവലോകനവും ഒരു ആവേശഭരിതമായതും രണ്ടും 0.99 ന് സമീപം എത്താം.

ചെറിയ വ്യത്യാസങ്ങൾ ശബ്ദമാണ്. 0.52 പോസിറ്റീവ് vs 0.48 നെഗറ്റീവ് എന്ന ഫലം ഒരു നാണയം എറിയുന്നതിനോട് അടുത്താണ്, ഒരു വാക്ക് മാറ്റിപ്പറഞ്ഞാൽ അത് മറിയാം. 0.45 മുതൽ 0.55 വരെയുള്ള ബാൻഡിലുള്ള എന്തും ദുർബലമായ പോസിറ്റീവ് ആയി കാണാതെ പരിഹരിക്കപ്പെടാത്തതായി കണക്കാക്കുക.

നീണ്ട ടെക്സ്റ്റ് ഒരു പ്രത്യേക കേസാണ്. മോഡലിന് ഒരു നിശ്ചിത ഇൻപുട്ട് വിൻഡോ ഉണ്ട്, അതിനാൽ ഒരു നീണ്ട ഖണ്ഡിക ഫലത്തിൽ വെട്ടിച്ചുരുക്കുകയോ ആന്തരികമായി സംഗ്രഹിക്കുകയോ ചെയ്യുന്നു. അഞ്ച് സവിശേഷതകളെ പ്രശംസിക്കുകയും ഒന്നിനെ വിമർശിക്കുകയും ചെയ്യുന്ന ഒരു അവലോകനം, ആമുഖത്തിൽ ആധിപത്യം പുലർത്തുന്ന ഭാഗത്തെ അടിസ്ഥാനമാക്കി ക്ലാസിഫൈ ചെയ്യപ്പെടാം, കൂടാതെ മിക്ക ടെക്സ്റ്റും അവഗണിക്കപ്പെട്ടു എന്ന് കാണിക്കുന്ന സ്കോർ നിങ്ങളെ മുന്നറിയിപ്പ് നൽകില്ല.

ഇത് എവിടെ പ്രവർത്തിക്കുന്നു

• ചെറിയ അഭിപ്രായ വാക്യങ്ങൾ. "The battery lasts all day" അല്ലെങ്കിൽ "The app crashes constantly" എന്നിവ മോഡൽ പരിശീലിപ്പിച്ചതിന്റെ കൃത്യമായ രൂപമാണ്.
• അവലോകന ട്രയാജ്. ഒരു കൂമ്പാരം അഭിപ്രായങ്ങൾ വായിക്കുന്നതിന് മുമ്പ് പരക്കെ പോസിറ്റീവ്, പരക്കെ നെഗറ്റീവ് എന്നിങ്ങനെ തരംതിരിക്കൽ.
• ദ്രുത ടോൺ പരിശോധനകൾ. ഒരു തലക്കെട്ട്, ഒരു ടാഗ്ലൈൻ അല്ലെങ്കിൽ ഒരു ഉപഭോക്തൃ മറുപടി എന്നിവ സാധുത പരിശോധിക്കൽ.
• അധ്യാപനം. ഒരു ടെക്സ്റ്റ് ക്ലാസിഫയർ വാക്കുകളെ രണ്ട് പ്രോബബിലിറ്റികളാക്കി മാറ്റുന്നതിന്റെ ഒരു സംക്ഷിപ്ത പ്രദർശനം.
• ഫിൽട്ടറിംഗ്. ഒരു സപ്പോർട്ട് ഇൻബോക്സിൽ സാധ്യതയുള്ള പരാതികൾ ഒരു മനുഷ്യൻ അവലോകനം ചെയ്യാൻ അടയാളപ്പെടുത്തൽ.

ഇത് എവിടെ പരാജയപ്പെടുന്നു

വ്യംഗ്യം ക്ലാസിക് പരാജയമാണ്. "Great, another delay" എന്നതിൽ പോസിറ്റീവ് പദാവലിയും നെഗറ്റീവ് അർത്ഥവും അടങ്ങിയിരിക്കുന്നു, മോഡൽ പലപ്പോഴും ഉദ്ദേശ്യത്തെക്കാൾ വാക്കുകൾ വായിക്കുന്നു. വ്യംഗ്യോക്തി, പരോക്ഷമായ പ്രശംസകൾ, അലങ്കാരപരമായ ചോദ്യങ്ങൾ എന്നിവ സമാനമായി വിശ്വസനീയമല്ല.

നിഷേധം അസമമായി കൈകാര്യം ചെയ്യുന്നു. "മോശമല്ല" എന്നതും "നല്ലതല്ല" എന്നതും പദാവലിയിൽ പരസ്പരം അടുത്താണെങ്കിലും അർത്ഥത്തിൽ വിപരീതമാണ്, കൂടാതെ ഒരു നിഷേധം ദീർഘമായ ഒരു വാക്യത്തിൽ വിട്ടുപോകാം. മിശ്രിത വികാരവും പരന്നുപോകുന്നു: ഉൽപ്പന്നത്തെ പ്രശംസിക്കുകയും ഡെലിവറിയെ അപലപിക്കുകയും ചെയ്യുന്ന ഒരു ഖണ്ഡിക ഒരൊറ്റ ലേബലായി മാറുന്നു, രണ്ട് അഭിപ്രായങ്ങളും നിലനിൽക്കുന്നു എന്നതിന് യാതൊരു സൂചനയുമില്ല.

വസ്തുതാപരവും നിഷ്പക്ഷവുമായ പാഠം ബൈനറിയിലേക്ക് നിർബന്ധിതമാക്കുന്നു. ഒരു സ്പെസിഫിക്കേഷൻ ഷീറ്റിനോ വാർത്താ തലക്കെട്ടിനോ നിയമ വ്യവസ്ഥയ്ക്കോ ധ്രുവത്വമില്ല, എന്നിട്ടും വർഗ്ഗീകരണി ഒരു വിജയിയെ തിരികെ നൽകുന്നു. ആ ഫലങ്ങളെ ഒരു സൗമ്യമായ ചായ്വായി കണക്കാക്കാതെ അർത്ഥശൂന്യമായി കണക്കാക്കുക.

ഡൊമെയ്ൻ മാറ്റം പ്രധാനമാണ്. ചലച്ചിത്ര നിരൂപണ ഭാഷയിൽ നിന്നാണ് മോഡൽ പഠിച്ചത്; ഉൽപ്പന്ന നിരൂപണങ്ങൾ, ചാറ്റ് സന്ദേശങ്ങൾ, ട്വീറ്റുകൾ, ക്ലിനിക്കൽ കുറിപ്പുകൾ, ഇംഗ്ലീഷ് ഇതര പാഠം എന്നിവയെല്ലാം വ്യത്യസ്തമായി പെരുമാറുന്നു. ഇമോജി, വാമൊഴി ഭാഷ, ചുരുക്കെഴുത്തുകൾ എന്നിവ അതിന് വലിയതോതിൽ അദൃശ്യമാണ്.

അത് എന്ത് ചെയ്യുന്നില്ല

നിഷ്പക്ഷ ക്ലാസ് ഇല്ല, വികാര ലേബലുകൾ ഇല്ല, വശാധിഷ്ഠിത വികാരം ഇല്ല, വാക്യം തിരിച്ചുള്ള വിഭജനം ഇല്ല, കീവേഡ് ഹൈലൈറ്റിംഗ് ഇല്ല, വിശദീകരണം ഇല്ല, ഭാഷാ കണ്ടെത്തൽ ഇല്ല, വിവർത്തനം ഇല്ല, ബാച്ച് വിശകലനം ഇല്ല. ഇത് ഒരു സ്കെയിലിൽ തീവ്രത സ്കോർ ചെയ്യുന്നില്ല, ഒരു പാഠം എന്തുകൊണ്ട് അങ്ങനെ വർഗ്ഗീകരിച്ചു എന്ന് ഇത് നിങ്ങളോട് പറയുന്നുമില്ല.

സ്വകാര്യത

പാഠം WebAssembly-ൽ പ്രാദേശികമായി പ്രോസസ്സ് ചെയ്യുന്നു. ഒരു സെർവറിലേക്കും ഒന്നും അയയ്ക്കുന്നില്ല, പേജ് അടച്ചതിന് ശേഷം ഒന്നും സംഭരിക്കുന്നുമില്ല. ആദ്യ ഉപയോഗത്തിൽ റൺടൈമും മോഡലും പൊതു CDN-കളിൽ നിന്ന് ഡൗൺലോഡ് ചെയ്യുന്നു, ഇത് ഉപകരണം തുറന്നു എന്ന് വെളിപ്പെടുത്തുന്നു, പക്ഷേ നിങ്ങൾ ടൈപ്പ് ചെയ്തത് വെളിപ്പെടുത്തുന്നില്ല. അത് ആന്തരിക കുറിപ്പുകൾക്കും ഉപഭോക്തൃ സന്ദേശങ്ങൾക്കും ഉപയോഗയോഗ്യമാക്കുന്നു, നിങ്ങളുടെ സ്വന്തം ഡാറ്റാ നിയമങ്ങൾക്ക് വിധേയമായി.

പരിധികൾ

ഒരു സമയത്ത് ഒരു പാഠഭാഗം, ഫയൽ അപ്ലോഡ് ഇല്ല, ബാച്ച് മോഡ് ഇല്ല, ഭാഷാ തിരഞ്ഞെടുപ്പ് ഇല്ല, ക്രമീകരിക്കാവുന്ന പരിധി ഇല്ല. ഒരു ദീർഘമായ പ്രമാണത്തിന്റെ എത്ര ഭാഗം യഥാർത്ഥത്തിൽ പരിഗണിക്കുന്നു എന്നത് മോഡലിന്റെ ഇൻപുട്ട് വിൻഡോ പരിമിതപ്പെടുത്തുന്നു. WebAssembly-ഉം ആദ്യ ലോഡിൽ നെറ്റ്വർക്ക് ആക്സസും ഉള്ള ഒരു ആധുനിക ബ്രൗസർ ആവശ്യമാണ്.

സാധാരണ തെറ്റുകൾ

• ഒരു നിഷ്പക്ഷ ഫലം പ്രതീക്ഷിക്കുന്നു. മോഡലിന് രണ്ട് ക്ലാസുകൾ മാത്രമേയുള്ളൂ, എപ്പോഴും ഒന്ന് തിരഞ്ഞെടുക്കുന്നു.
• സ്കോറിനെ തീവ്രതയായി കണക്കാക്കുന്നു. ഇത് ഒരു ലേബലിലുള്ള ആത്മവിശ്വാസമാണ്, വികാരത്തിന്റെ ശക്തിയല്ല.
• ഒരു മുഴുവൻ ലേഖനവും വിശകലനം ചെയ്യുന്നു. ദീർഘമായ പാഠം വെട്ടിച്ചുരുക്കുന്നു, ഫലം അതിന്റെ ഒരു ഭാഗം മാത്രം പ്രതിഫലിപ്പിച്ചേക്കാം.
• വ്യംഗ്യ കണ്ടെത്തൽ വിശ്വസിക്കുന്നു. വ്യംഗ്യം പതിവായി ദൃശ്യമായ ധ്രുവത്വം മറിച്ചിടുന്നു.
• വസ്തുതാപരമായ പാഠത്തിൽ ഇത് ഉപയോഗിക്കുന്നു. സ്പെസിഫിക്കേഷനുകൾക്കും വാർത്തകൾക്കും വർഗ്ഗീകരിക്കാൻ അഭിപ്രായമില്ല.
• 52 ശതമാനം ഫലം ഒരു കണ്ടെത്തലായി വായിക്കുന്നു. ഏതാണ്ട് സമനിലയിലുള്ളവ അസ്ഥിരവും എളുപ്പത്തിൽ മറിയുന്നതുമാണ്.

പതിവായി ചോദിക്കുന്ന ചോദ്യങ്ങൾ