Tugas Pengklasifikasi Teks MediaPipe memungkinkan Anda mengklasifikasikan teks ke dalam serangkaian kategori yang ditentukan, seperti sentimen positif atau negatif. Kategori ditentukan oleh model yang Anda gunakan dan cara model tersebut dilatih. Petunjuk ini menunjukkan cara menggunakan Pengklasifikasi Teks untuk aplikasi web dan JavaScript.
Anda dapat melihat cara kerja tugas ini dengan melihat demo. Untuk mengetahui informasi selengkapnya tentang kemampuan, model, dan opsi konfigurasi tugas ini, lihat Ringkasan.
Contoh kode
Contoh kode untuk Pengklasifikasi Teks memberikan implementasi lengkap tugas ini di JavaScript untuk referensi Anda. Kode ini membantu Anda menguji tugas ini dan mulai membuat aplikasi klasifikasi teks Anda sendiri. Anda dapat melihat, menjalankan, dan mengedit contoh Pengklasifikasi Teks hanya menggunakan browser web Anda.
Penyiapan
Bagian ini menjelaskan langkah-langkah utama untuk menyiapkan lingkungan pengembangan dan project kode secara khusus untuk menggunakan Pengklasifikasi Teks. Untuk mengetahui informasi umum tentang penyiapan lingkungan pengembangan untuk menggunakan Tugas MediaPipe, termasuk persyaratan versi platform, lihat Panduan penyiapan untuk Web.
Paket JavaScript
Kode Pengklasifikasi Teks tersedia melalui paket
@mediapipe/tasks-text. Anda dapat menemukan dan mendownload library ini dari link yang disediakan di
Panduan penyiapan platform.
Anda dapat menginstal paket yang diperlukan dengan kode berikut untuk penyiapan lokal menggunakan perintah berikut:
npm install @mediapipe/tasks-text
Jika ingin men-deploy ke server, Anda dapat menggunakan layanan jaringan penayangan konten (CDN), seperti jsDelivr untuk menambahkan kode langsung ke halaman HTML Anda, sebagai berikut:
<head>
<script src="https://cdn.jsdelivr.net/npm/@mediapipe/tasks-text@0.1/text-bundle.js"
crossorigin="anonymous"></script>
</head>
Model
Tugas MediaPipe Text Classifier memerlukan model terlatih yang kompatibel dengan tugas ini. Untuk mengetahui informasi selengkapnya tentang model terlatih yang tersedia untuk Pengklasifikasi Teks, lihat bagian Model di ringkasan tugas.
Pilih dan download model, lalu simpan dalam direktori project Anda:
<dev-project-root>/assets/bert_text_classifier.tflite
Tentukan jalur model dengan parameter baseOptions objek modelAssetPath, seperti yang ditunjukkan di bawah ini:
baseOptions: {
modelAssetPath: `/assets/bert_text_classifier.tflite`
}
Buat tugas
Gunakan salah satu fungsi TextClassifier.createFrom...() Pengklasifikasi Teks untuk
menyiapkan tugas untuk menjalankan inferensi. Anda dapat menggunakan fungsi createFromModelPath()
dengan jalur relatif atau absolut ke file model terlatih. Contoh
kode di bawah menunjukkan penggunaan fungsi TextClassifier.createFromOptions(). Untuk mengetahui informasi selengkapnya tentang opsi konfigurasi yang tersedia, lihat
Opsi konfigurasi.
Kode berikut menunjukkan cara membuat dan mengonfigurasi tugas ini:
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();
Opsi konfigurasi
Tugas ini memiliki opsi konfigurasi berikut untuk aplikasi Web dan JavaScript:
| Nama Opsi | Deskripsi | Rentang Nilai | Nilai Default |
|---|---|---|---|
displayNamesLocale |
Menetapkan bahasa label yang akan digunakan untuk nama tampilan yang diberikan dalam
metadata model tugas, jika tersedia. Default-nya adalah en untuk
bahasa Inggris. Anda dapat menambahkan label yang dilokalkan ke metadata model kustom
menggunakan TensorFlow Lite Metadata Writer API
| Kode lokal | en |
maxResults |
Menetapkan jumlah maksimum opsional hasil klasifikasi dengan skor tertinggi yang akan ditampilkan. Jika < 0, semua hasil yang tersedia akan ditampilkan. | Semua bilangan positif | -1 |
scoreThreshold |
Menetapkan nilai minimum skor prediksi yang menggantikan nilai minimum yang diberikan dalam metadata model (jika ada). Hasil di bawah nilai ini ditolak. | Float apa pun | Tidak ditetapkan |
categoryAllowlist |
Menetapkan daftar opsional nama kategori yang diizinkan. Jika tidak kosong,
hasil klasifikasi yang nama kategorinya tidak ada dalam set ini akan
dikecualikan. Nama kategori duplikat atau tidak dikenal akan diabaikan.
Opsi ini eksklusif dengan categoryDenylist dan penggunaan
keduanya akan menghasilkan error. |
String apa pun | Tidak ditetapkan |
categoryDenylist |
Menetapkan daftar opsional nama kategori yang tidak diizinkan. Jika tidak kosong, hasil klasifikasi yang nama kategorinya ada dalam set ini akan difilter. Nama kategori duplikat atau tidak dikenal akan diabaikan. Opsi ini eksklusif
dengan categoryAllowlist dan penggunaan keduanya akan menghasilkan error. |
String apa pun | Tidak ditetapkan |
Menyiapkan data
Pengklasifikasi Teks berfungsi dengan data teks (String). Tugas ini menangani
pra-pemrosesan input data, termasuk tokenisasi dan pra-pemrosesan tensor.
Semua praproses ditangani dalam fungsi classify(). Tidak perlu
melakukan praproses tambahan pada teks input sebelumnya.
const inputText = "The input text to be classified.";
Jalankan tugas
Pengklasifikasi Teks menggunakan fungsi classify() untuk memicu inferensi. Untuk klasifikasi
teks, hal ini berarti menampilkan kemungkinan kategori untuk teks input.
Kode berikut menunjukkan cara menjalankan pemrosesan dengan model tugas.
// Wait to run the function until inner text is set
const result: TextClassifierResult = await textClassifier.classify(
inputText
);
Menangani dan menampilkan hasil
Pengklasifikasi Teks menghasilkan TextClassifierResult yang berisi daftar kemungkinan kategori untuk teks input. Kategori ditentukan oleh
model yang Anda gunakan, jadi jika Anda menginginkan kategori yang berbeda, pilih model yang berbeda,
atau latih ulang model yang ada.
Berikut adalah contoh data output dari tugas ini:
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
Hasil ini diperoleh dengan menjalankan BERT-classifier pada teks input:
"an imperfect but overall entertaining mystery".