網頁的文字分類指南

MediaPipe 文字分類器工作可讓您將文字歸類到一組已定義的類別，例如正面或負面情緒。類別會決定您使用的模型以及該模型的訓練方式以下操作說明將說明如何針對網頁和 JavaScript 應用程式使用文字分類器。

如要查看這項工作的實際運作情形，請查看示範。如要進一步瞭解這項工作的功能、模型和設定選項，請參閱總覽。

程式碼範例

文字分類器的範例程式碼提供此工作在 JavaScript 中的完整實作，供您參考。這個程式碼可協助您測試這項工作，並開始建構您自己的文字分類應用程式。您可以透過網路瀏覽器查看及編輯文字分類器範例程式碼。

設定

本節說明設定開發環境的重要步驟，以及專門用於使用文字分類器的程式碼專案。如需瞭解如何使用 MediaPipe 工作設定開發環境的一般資訊，包括平台版本需求，請參閱網頁版設定指南。

JavaScript 套件

您可以在 @mediapipe/tasks-text 套件中找到文字分類器程式碼。您可以從平台設定指南中提供的連結尋找及下載這些程式庫。

您可以使用下列指令，安裝具有以下程式碼的必要套件，以執行本機暫存：

npm install @mediapipe/tasks-text

如要將程式碼部署至伺服器，您可以使用內容傳遞網路 (CDN) 服務 (例如 jsDelivr)，將程式碼直接新增至 HTML 網頁，如下所示：

<head>
  <script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@0.1/text-bundle.js"
    crossorigin="anonymous"></script>
</head>

型號

MediaPipe 文字分類器工作需要使用與這項工作相容的已訓練模型。如要進一步瞭解文字分類器的可用已訓練模型，請參閱工作總覽「模型」一節。

選取並下載模型，然後將其儲存在專案目錄中：

<dev-project-root>/assets/bert_text_classifier.tflite

請使用 baseOptions 物件 modelAssetPath 參數指定模型路徑，如下所示：

baseOptions: {
        modelAssetPath: `/assets/bert_text_classifier.tflite`
      }

建立工作

使用其中一個文字分類器 TextClassifier.createFrom...() 函式，為執行推論的準備工作。您可以使用 createFromModelPath() 函式，搭配已訓練模型檔案的相對或絕對路徑。以下程式碼範例示範如何使用 TextClassifier.createFromOptions() 函式。如要進一步瞭解可用的設定選項，請參閱設定選項一文。

以下程式碼示範如何建構及設定這項工作：

async function createClassifier() {
  const textFiles = await FilesetResolver.forTextTasks("https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@latest/wasm/");
  textClassifier = await TextClassifier.createFromOptions(
    textFiles,
    {
      baseOptions: {
        modelAssetPath: `https://storage.googleapis.com/mediapipe-tasks/text_classifier/bert_text_classifier.tflite`
      },
      maxResults: 5
    }
  );
}
createClassifier();

設定選項

這項工作有以下網頁和 JavaScript 應用程式的設定選項：

選項名稱	說明	值範圍	預設值
`displayNamesLocale`	設定標籤語言，用於工作模型中繼資料內的顯示名稱 (如有)。英文的預設值是 `en`。您可以使用 TensorFlow Lite Metadata Writer API，在自訂模型的中繼資料中加入本地化標籤。	語言代碼	en
`maxResults`	設定要傳回的最高評分分類結果數量上限 (選用)。如果小於 0，系統會傳回所有可用的結果。	任何正數	`-1`
`scoreThreshold`	設定預測分數門檻，覆寫模型中繼資料 (如有) 中提供的分數門檻。這個值下方的結果遭到拒絕。	不限浮點值	未設定
`categoryAllowlist`	設定允許的類別名稱 (選用)。如果不是空白，系統會篩除類別名稱不在這個組合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryDenylist` 互斥，且同時使用兩者會導致錯誤。	任何字串	未設定
`categoryDenylist`	設定不允許使用的類別名稱清單。如果不是空白，系統會篩除類別名稱在此集合中的分類結果。系統會忽略重複或不明的類別名稱。這個選項與 `categoryAllowlist` 互斥，且同時使用兩者會導致錯誤。	任何字串	未設定

準備資料

文字分類器適用於文字 (String) 資料。工作會處理資料輸入的預先處理作業，包括代碼化和張量預先處理。

所有預先處理作業都會在 classify() 函式中處理。不需要事先對輸入文字進行額外的預先處理。

const inputText = "The input text to be classified.";

執行工作

文字分類器使用 classify() 函式觸發推論。針對文字分類，這代表傳回輸入文字的可能類別。

下列程式碼示範如何使用工作模型執行處理。

// Wait to run the function until inner text is set
const result: TextClassifierResult = await textClassifier.classify(
  inputText
);

處理並顯示結果

文字分類器會輸出 TextClassifierResult，其中包含輸入文字的可能類別清單。類別是由您使用的模型定義，因此如果您想使用不同的類別，請選擇其他模型，或重新訓練現有的模型。

以下為這項工作的輸出資料範例：

TextClassificationResult:
  Classification #0 (single classification head):
    ClassificationEntry #0:
      Category #0:
        category name: "positive"
        score: 0.8904
        index: 0
      Category #1:
        category name: "negative"
        score: 0.1096
        index: 1

對輸入文字執行 BERT-classifier 已取得這項結果："an imperfect but overall entertaining mystery"。