این مقاله به بررسی و مقایسه‌ی دو ابزار قدرتمند از اکوسیستم مایکروسافت برای انجام تحلیل احساسات می‌پردازد: کتابخانه‌ی ML.NET برای ساخت مدل‌های یادگیری ماشین سفارشی و سرویس ابری Azure Cognitive Services for Language برای استفاده از مدل‌های از پیش‌آموزش‌دیده و آماده. ما در این مقاله، نحوه‌ی آموزش، ارزیابی و استقرار یک مدل تحلیل احساسات با هر دو روش را تشریح خواهیم کرد.

تحلیل احساسات با استفاده از ML.NET

ML.NET یک فریم‌ورک یادگیری ماشین رایگان، متن-باز و چند پلتفرمی برای توسعه‌دهندگان .NET است. این کتابخانه به شما اجازه می‌دهد تا مدل‌های یادگیری ماشین سفارشی را با استفاده از زبان C# یا F# بسازید و آن‌ها را در برنامه‌های خود ادغام کنید، بدون آنکه نیاز به تخصص عمیق در علم داده داشته باشید.

مراحل ساخت مدل تحلیل احساسات با ML.NET

فرآیند ساخت یک مدل تحلیل احساسات با ML.NET شامل چند مرحله‌ی کلیدی است:

۱. جمع‌آوری و آماده‌سازی داده‌ها: اولین و مهم‌ترین گام، داشتن یک مجموعه داده (Dataset) مناسب است. این داده‌ها باید شامل متن (مانند نظرات کاربران) و یک برچسب (Label) نشان‌دهنده‌ی احساس آن متن باشند (مثلاً 1 برای مثبت و 0 برای منفی). منابع مختلفی برای این داده‌ها وجود دارد، از جمله فایل‌های CSV، پایگاه‌های داده یا APIها. برای مثال، می‌توان از مجموعه داده‌های نظرات فیلم‌ها یا محصولات آمازون استفاده کرد.

یک نمونه داده می‌تواند به شکل زیر باشد:

۲. تعریف مدل داده و بارگذاری آن: در ML.NET، باید ساختار داده‌های ورودی و خروجی را با استفاده از کلاس‌های C# تعریف کنیم.

public class SentimentData
{
    [LoadColumn(0)]
    public string Text { get; set; }

    [LoadColumn(1), ColumnName("Label")]
    public bool Sentiment { get; set; }
}

public class SentimentPrediction : SentimentData
{
    [ColumnName("PredictedLabel")]
    public bool Prediction { get; set; }

    public float Probability { get; set; }
    public float Score { get; set; }
}

سپس داده‌ها را با استفاده از MLContext بارگذاری می‌کنیم:

var mlContext = new MLContext();
var dataView = mlContext.Data.LoadFromTextFile("path/to/your/data.csv", hasHeader: true, separatorChar: ',');

۳. ساخت پایپ‌لاین (Pipeline) پردازش و آموزش: یک پایپ‌لاین در ML.NET مجموعه‌ای از مراحل برای تبدیل داده‌ها و اعمال یک الگوریتم یادگیری ماشین است. برای تحلیل احساسات، پایپ‌لاین ما معمولاً شامل مراحل زیر است:

• تبدیل متن به ویژگی (FeaturizeText): الگوریتم‌های یادگیری ماشین نمی‌توانند مستقیماً روی متن خام کار کنند. این مرحله متن را به یک بردار عددی از ویژگی‌ها تبدیل می‌کند. این فرآیند شامل نرمال‌سازی متن (مانند حذف علائم نگارشی و تبدیل به حروف کوچک) و تبدیل کلمات به بردارهای عددی است.

• انتخاب الگوریتم آموزش (Trainer): در این مرحله، الگوریتم یادگیری ماشینی را که قرار است مدل را آموزش دهد، انتخاب می‌کنیم. برای وظایف دسته‌بندی دودویی (Binary Classification) مانند تحلیل احساسات (مثبت/منفی)، الگوریتم‌هایی مانند SdcaLogisticRegression یا LbfgsMaximumEntropy گزینه‌های محبوبی هستند.

var pipeline = mlContext.Transforms.Text
    .FeaturizeText("Features", nameof(SentimentData.Text))
    .Append(mlContext.BinaryClassification.Trainers
    .SdcaLogisticRegression(labelColumnName: "Label", featureColumnName: "Features"));

۴. آموزش مدل (Training): پس از تعریف پایپ‌لاین، داده‌ها را به دو بخش آموزش (Train) و آزمایش (Test) تقسیم کرده و مدل را با داده‌های آموزشی، آموزش می‌دهیم.

var trainTestSplit = mlContext.Data.TrainTestSplit(dataView, testFraction: 0.2);
var trainingData = trainTestSplit.TrainSet;
var testData = trainTestSplit.TestSet;

var model = pipeline.Fit(trainingData);

۵. ارزیابی عملکرد مدل (Evaluation): پس از آموزش، باید عملکرد مدل را با استفاده از داده‌های آزمایشی که قبلاً کنار گذاشته‌ایم، ارزیابی کنیم. متریک‌های کلیدی برای ارزیابی یک مدل دسته‌بندی شامل دقت (Accuracy)، صحت (Precision) و بازیابی (Recall) هستند.

var predictions = model.Transform(testData);
var metrics = mlContext.BinaryClassification.Evaluate(predictions, "Label");

Console.WriteLine($"Accuracy: {metrics.Accuracy:P2}");
Console.WriteLine($"Precision: {metrics.PositivePrecision:P2}");
Console.WriteLine($"Recall: {metrics.PositiveRecall:P2}");

۶. استقرار و استفاده از مدل (Deployment): پس از اینکه از عملکرد مدل رضایت داشتیم، می‌توانیم آن را در یک فایل فشرده (.zip) ذخیره کرده و در هر برنامه .NET (مانند یک وب‌سرویس ASP.NET Core، یک برنامه دسکتاپ یا یک تابع Azure) بارگذاری و برای پیش‌بینی احساسات متون جدید استفاده کنیم.

// Save the model
mlContext.Model.Save(model, dataView.Schema, "sentiment_model.zip");

// Use the model for prediction
var predictionEngine = mlContext.Model.CreatePredictionEngine(model);
var sampleStatement = new SentimentData { Text = "ML.NET is a powerful framework!" };
var result = predictionEngine.Predict(sampleStatement);

Console.WriteLine($"Sentiment: {(result.Prediction ? "Positive" : "Negative")}");

تحلیل احساسات با Azure Cognitive Services

Azure Cognitive Services مجموعه‌ای از APIها، SDKها و سرویس‌های مبتنی بر هوش مصنوعی است که به توسعه‌دهندگان اجازه می‌دهد بدون نیاز به دانش تخصصی در زمینه یادگیری ماشین، قابلیت‌های شناختی مانند بینایی، گفتار، جستجو و درک زبان را به برنامه‌های خود اضافه کنند. سرویس زبان (Language Service) یکی از اجزای اصلی آن است که تحلیل احساسات را به عنوان یک سرویس آماده ارائه می‌دهد.

ویژگی‌های کلیدی تحلیل احساسات در Azure

• مدل‌های از پیش‌آموزش‌دیده: مایکروسافت مدل‌های قدرتمندی را روی حجم عظیمی از داده‌ها آموزش داده و آن‌ها را از طریق یک API ساده در دسترس قرار داده است. این یعنی نیازی به جمع‌آوری داده و آموزش مدل از صفر نیست.

• پشتیبانی چندزبانه: این سرویس از زبان‌های متعددی پشتیبانی می‌کند و می‌تواند احساسات را در متون غیرانگلیسی نیز تشخیص دهد.

• تحلیل در سطح جمله و سند: سرویس زبان Azure می‌تواند احساس کلی یک سند و همچنین احساس هر جمله را به‌صورت جداگانه تحلیل کند.

• امتیازدهی دقیق: علاوه بر برچسب‌های مثبت، منفی و خنثی، این سرویس امتیازات اطمینان (Confidence Scores) را برای هر دسته ارائه می‌دهد که نشان می‌دهد مدل چقدر از پیش‌بینی خود مطمئن است.

نحوه استفاده از سرویس تحلیل احساسات Azure

استفاده از این سرویس بسیار ساده و سریع است و تنها به چند مرحله نیاز دارد:

۱. ساخت یک منبع (Resource) سرویس زبان در پورتال Azure: ابتدا باید وارد پورتال Azure شده و یک منبع Language Service ایجاد کنید. پس از ایجاد، کلید API (API Key) و نقطه پایانی (Endpoint) به شما داده می‌شود که برای احراز هویت و ارسال درخواست‌ها ضروری است.

۲. نصب پکیج NuGet مربوطه: برای استفاده از این سرویس در یک برنامه .NET، باید پکیج Azure.AI.TextAnalytics را نصب کنید.

dotnet add package Azure.AI.TextAnalytics

۳. ارسال درخواست و دریافت نتیجه: سپس با استفاده از کلید و نقطه پایانی، یک کلاینت ایجاد کرده و متن مورد نظر را برای تحلیل ارسال می‌کنید.

using Azure;
using Azure.AI.TextAnalytics;
using System;

string endpoint = "YOUR_ENDPOINT";
string apiKey = "YOUR_API_KEY";
var credentials = new AzureKeyCredential(apiKey);
var client = new TextAnalyticsClient(new Uri(endpoint), credentials);

string text = "I had a wonderful experience at this hotel. The staff was very friendly and helpful.";

DocumentSentiment documentSentiment = client.AnalyzeSentiment(text);

Console.WriteLine($"Document sentiment: {documentSentiment.Sentiment}");
Console.WriteLine($"\tPositive score: {documentSentiment.ConfidenceScores.Positive:0.00}");
Console.WriteLine($"\tNegative score: {documentSentiment.ConfidenceScores.Negative:0.00}");
Console.WriteLine($"\tNeutral score: {documentSentiment.ConfidenceScores.Neutral:0.00}");

foreach (var sentence in documentSentiment.Sentences)
{
    Console.WriteLine($"\nSentence: \"{sentence.Text}\"");
    Console.WriteLine($"Sentence sentiment: {sentence.Sentiment}");
    Console.WriteLine($"\tPositive score: {sentence.ConfidenceScores.Positive:0.00}");
    Console.WriteLine($"\tNegative score: {sentence.ConfidenceScores.Negative:0.00}");
}

خروجی کد بالا، احساس کلی سند و همچنین احساسات و امتیازات مربوط به هر جمله را به‌تفکیک نمایش می‌دهد.

مقایسه ML.NET و Azure Cognitive Services

انتخاب بین این دو ابزار به نیازها، منابع و سناریوی خاص شما بستگی دارد.

چه زمانی از کدام یک استفاده کنیم؟

• ML.NET را انتخاب کنید اگر:

  • نیاز به یک مدل بسیار سفارشی برای یک دامنه خاص (مانند تحلیل نظرات پزشکی یا مالی) دارید.

  • نگرانی‌های جدی در مورد حریم خصوصی داده‌ها دارید و نمی‌خواهید داده‌ها را به سرویس‌های ابری شخص ثالث ارسال کنید.

  • می‌خواهید کنترل کامل بر روی تمام جنبه‌های مدل، از معماری گرفته تا استقرار، داشته باشید.

  • به دنبال یک راه‌حل بدون هزینه مستقیم (به‌جز هزینه زیرساخت) هستید.

• Azure Cognitive Services را انتخاب کنید اگر:

  • نیاز به راه‌اندازی سریع و نمونه‌سازی اولیه (Prototyping) دارید.

  • تحلیل احساسات برای یک کاربرد عمومی و نه یک دامنه بسیار تخصصی است.

  • تخصص یادگیری ماشین در تیم شما محدود است.

  • نگرانی بابت مقیاس‌پذیری دارید و می‌خواهید از یک سرویس مدیریت‌شده و قابل اعتماد استفاده کنید.

  • پروژه شما به پشتیبانی چندزبانه قوی نیاز دارد.

نتیجه‌گیری

هم ML.NET و هم Azure Cognitive Services ابزارهای قدرتمندی برای تحلیل احساسات متن در اختیار توسعه‌دهندگان .NET قرار می‌دهند. ML.NET با ارائه انعطاف‌پذیری و کنترل کامل، برای ساخت مدل‌های سفارشی و تخصصی ایده‌آل است، در حالی که Azure Cognitive Services با سادگی و سرعت بی‌نظیر خود، بهترین گزینه برای پیاده‌سازی سریع قابلیت‌های هوش مصنوعی در کاربردهای عمومی است. انتخاب هوشمندانه بین این دو، بر اساس درک دقیق نیازمندی‌های پروژه، منابع موجود و اولویت‌های کسب‌وکار شما صورت می‌گیرد و می‌تواند به خلق محصولات هوشمندتر و کارآمدتر منجر شود.