备案控制台
文档
产品文档
输入文档关键字查找
首页 自然语言处理 NLP自学习平台 开发参考 API参考 获取模型预测结果接口示例

获取模型预测结果接口示例

更新时间：
一键部署
提交缺陷
产品详情
相关技术圈
我的收藏

该文档介绍如何使用模型预测接口获取相应模型类型的预测结果。

接口调用示例代码

Java代码示例

    DefaultProfile defaultProfile = DefaultProfile.getProfile("cn-hangzhou","your-access-id-key","your-access-id-secret");
    IAcsClient client = new DefaultAcsClient(defaultProfile);
        CommonRequest request = new CommonRequest();
        request.setMethod(MethodType.POST);
        request.setDomain("nlp-automl.cn-hangzhou.aliyuncs.com");
        request.setVersion("2019-11-11");
        request.setAction("GetPredictResult");
        request.putQueryParameter("RegionId", "cn-hangzhou");
        request.putQueryParameter("ModelId", modelId);
        request.putQueryParameter("Content", content);
        request.putQueryParameter("ModelVersion", version);
    CommonResponse response = client.getCommonResponse(request);
        System.out.println(response.getData());

更多代码示例请点击

短文本匹配模型类型Content输入

模型类型为短文本匹配时content参数为字符串传入，参考下面的举例：

[["新买的房子办理房产证需要神材料","如何办理房产证"]]

Java代码示例

    JSONArray items = new JSONArray();
        JSONArray item = new JSONArray();
        item.add("新买的房子办理房产证需要神材料");
        item.add("如何办理房产证");
        items.add(item);
        String content = items.toString();
        System.out.println(content);

模型结果示例

文本实体抽取

content

模型类型

信达利（福州）企业管理咨询有限公司重庆第一分公司成立于2008年，现坐落于交通便利的江北区红旗河沟轻轨站旁，办公环境优良，工作氛围浓厚。

LSTM-CRF 中文实体抽取

返回结果

[{
 "id": 0,
 "sent_offsets": 0,
 "sentence": "信达利（福州）企业管理咨询有限公司重庆第一分公司成立于2008年，现坐落于交通便利的江北区红旗河沟轻轨站旁，办公环境优良，工作氛围浓厚",
 "tags": [{
  "class": "companyName",
  "conf": 0.6834408044815063,
  "end": 17,
  "source": "model",
  "span": "信达利（福州）企业管理咨询有限公司",
  "start": 0
 }]
}]

返回结果是JSONArray字符串，需要反序列化之后进行解析,tags为预测结果。

tags参数

字段名称

字段值含义

class

实体抽取对象名

conf

置信度

start

实体对象结果从文本开始位置

end

实体对象结果到文本结束位置

source

来源

span

预测的实体对象

文本分类

content

模型类型

到手两天用起来感觉还是蛮不错的系统比较快就是win10的通病字体太小屏幕又大看起来比较难受希望win10后期能够改进还有就是电池不可拆卸有点烦恼。

长文本分类融合模型

返回结果

返回结果是JSON字符串，需要反序列化之后进行解析。

{
 "体验": [{
  "score": 0.8428525328636169,
  "children": [{
   "score": 0.8173030018806458,
   "children": [{
    "score": 0.7761349081993103,
    "key": "做工"
   }],
   "key": "质量"
  }, {
   "score": 0.7761349081993103,
   "key": "做工"
  }],
  "key": "产品体验"
 }]
}

返回字段

字段名称

字段指含义

score

分数值

key

分类标签

children

多级分类下的子级

关键短语抽取

content

模型类型

青柑的清香+普洱的醇厚,值得爱茶的人们一试。有朋友买后推荐,确实值得!泡得差不多了可以再用煮茶工具煮上一道,茶的味道依然很浓郁。今年冬天主要就喝它了。

关键短语抽取

返回结果

["青柑", "清香", "普洱"]
说明

返回结果为数组字符串。

短文本匹配

content

模型类型

[["信用卡归还，资金的还款的顺序","信用卡还款顺序"]]

短文本匹配

返回结果

返回结果是JSONArray字符串，需要反序列化之后进行解析。

[{
 "match": "1",
 "sent_a": "信用卡归还，资金的还款的顺序",
 "sent_b": "信用卡还款顺序",
 "value": "0.5989755"
}]

返回字段

字段名称

字段值含义

match

是否匹配 0：不匹配 1：匹配

sent_a

短文本a

sent_b

短文本b

value

文本匹配值

情感分析

content

模型类型

打开一袋里面有半袋是坏的,好难吃,没有之前吃的好吃。

中文CNN情感分析

返回结果

返回结果是JSON字符串，需要反序列化之后进行解析。

{
 "情感": [{
  "score": 0.730135977268219,
  "key": "负"
 }, {
  "score": 0.5031050443649292,
  "key": "正"
 }]
}

返回字段

说明

score分值大者为分析后的情感。

字段名称

字段含义值

score

模型预测情感分数值

key

情感正，负

商品评价解析

content

模型类型

盒子倒是都包装的很严就是吸盘已经发黄了就是透明的那个圈圈氧化挺严重的应该是很久的东西了价格在这不要求太多了。

商品评价解析

返回结果

返回结果是JSON字符串，需要反序列化之后进行解析。

{
 "物流": [{
  "score": 0.9994128942489624,
  "key": "未提及"
 }, {
  "score": 0.0004609959723893553,
  "key": "正"
 }, {
  "score": 0.00006164848309708759,
  "key": "负"
 }, {
  "score": 0.000018525688574300148,
  "key": "中"
 }],
 "质量": [{
  "score": 0.033323273062705994,
  "key": "未提及"
 }, {
  "score": 0.08673246949911118,
  "key": "正"
 }, {
  "score": 0.7257013916969299,
  "key": "负"
 }, {
  "score": 0.7785664796829224,
  "key": "中"
 }]
}

返回字段

字段名称

字段值含义

score

商品属性分析出的分数值

key

是否在预测文本中提及，以及情感属性状态

简历抽取

content

模型类型

姓名：李某 工作经验：3年 手机：1390000**** 性别：男 电子邮箱:1390000****@sina.cn 户籍地：山西省临汾市 应聘职位：web前端工程师 现居住地：北京 目前状态: 已离职,可立即上岗

简历抽取自训练模型（中文）

返回结果

返回结果是JSONArray字符串，需要反序列化之后进行解析。

[{
 "sentence": "姓名： 李某 工作经验：3年",
 "sent_offsets": 0,
 "id": 0,
 "tags": [{
  "source": "rule",
  "class": "姓名",
  "span": "李某"
 }]
}, {
 "sentence": "手机：1390000****",
 "sent_offsets": 1,
 "id": 0,
 "tags": [{
  "start": 4,
  "conf": 0,
  "end": 15,
  "source": "model",
  "class": "手机号",
  "span": "1390000****"
 }]
}, {
 "sentence": "性别：男",
 "sent_offsets": 2,
 "id": 0,
 "tags": [{
  "source": "rule",
  "class": "性别",
  "span": "男"
 }]
}, {
 "sentence": "电子邮箱:1390000****@sina.cn 户籍地：山西省临汾市",
 "sent_offsets": 3,
 "id": 0,
 "tags": [{
  "start": 5,
  "conf": 0,
  "end": 16,
  "source": "model",
  "class": "手机号",
  "span": "1390000****"
 }, {
  "source": "rule",
  "class": "电子邮箱",
  "span": "1390000****@sina.cn"
 }, {
  "source": "rule",
  "class": "户口所在地",
  "span": "山西"
 }]
}, {
 "sentence": "应聘职位：web前端工程师 现居住地：北京",
 "sent_offsets": 4,
 "id": 0,
 "tags": [{
  "start": 5,
  "conf": 0,
  "end": 13,
  "source": "model",
  "class": "岗位名称",
  "span": "web前端工程师"
 }, {
  "source": "rule",
  "class": "现居住地",
  "span": "北京"
 }]
}, {
 "sentence": "目前状态: 已离职,可立即上岗",
 "sent_offsets": 5,
 "id": 0,
 "tags": []
}]

返回字段

字段名称

字段值含义

sentence

分析的语句内容

sent_offsets

语句位置

"tags": [{
"start": 5,
"conf": 0,
"end": 16,
"source": "model",
  "class": "手机号",
"span": "1390000****"
}, {
"source": "rule",
  "class": "电子邮箱",
"span": "1390000****@sina.cn"
}, {
"source": "rule",
"class": "户口所在地",
  "span": "山西"
}]

语句分析抽取后得到的简历信息

双句文本分类

content

模型类型

{"content": "AI：想跟您再核实一下，您是不是业主本人A，房子是不是整套出租呢","content_pair": "是的"}

双句分类高性能版

返回结果

返回结果是JSON字符串，需要反序列化之后进行解析。

{
  "result": "{"意图":[{"score":0.5135,"key":"不是业主本人"},{"score":0.491,"key":"业主本人"}]}",
  "retCode": "0",
  "type": "NLP_text_pair_classification_cross_attn"
 }

返回字段

字段

字段说明

type

模型类型

key

分类结果

score

置信度

result-key

分类名

文档推荐
  • 本页导读 （0）
文档反馈