應用場景

1. 從商品詳情頁爬取商品評論，對其做輿情分析；
2. 電話客服，對音頻進行分析，做輿情分析；

通過開發相應的服務接口，進一步工程化；

模型選用

• 文本，選用了通義實驗室fine-tune的structBERT 模型，基于大眾點評的評論數據進行訓練，使用預訓練模型進行推理，CPU 能跑，支持模型微調，基本上不用微調了，因為他是基于電商領域的數據集進行訓練的，基本夠用，可本地部署；

參考論文：

title: Incorporating language structures into pre-training for deep language understanding
author：Wang, Wei and Bi, Bin and Yan, Ming and Wu, Chen and Bao, Zuyi and Xia, Jiangnan and Peng, Liwei and Si, Luo
journal：arXiv preprint arXiv:1908.04577，
year：2019

版本依賴：

modelscope-lib 最新版本

推理代碼：

semantic_cls = pipeline(Tasks.text_classification, 'damo/nlp_structbert_sentiment-classification_chinese-base')comment0 = '非常厚實的一包大米，來自遙遠的東北，盤錦大米，應該不錯的，密封性很好。賣家的服務真是貼心周到！他們提供了專業的建議，幫助我選擇了合適的商品。物流速度也很快，讓我順利收到了商品。'
result0 = semantic_cls(input=comment0)
if result0['scores'][0] > result0['scores'][1]:print("'" + comment0 + "'，屬于" + result0["labels"][0] + "評價")
else:print("'" + comment0 + "'，屬于" + result0["labels"][1] + "評價")comment1 = '食物的口感還不錯，不過店員的服務態度可以進一步改善一下。'
result1 = semantic_cls(input=comment1)
if result1['scores'][0] > result1['scores'][1]:print("'" + comment1 + "'，屬于" + result1["labels"][0] + "評價")
else:print("'" + comment1 + "'，屬于" + result1["labels"][1] + "評價")comment2 = '衣服尺碼合適，色彩可以再鮮艷一些，客服響應速度一般。'
result2 = semantic_cls(input=comment2)
if result2['scores'][0] > result2['scores'][1]:print("'" + comment2 + "'，屬于" + result2["labels"][0] + "評價")
else:print("'" + comment2 + "'，屬于" + result2["labels"][1] + "評價")comment3 = '物流慢，售后不好，貨品質量差。'
result3 = semantic_cls(input=comment3)
if result3['scores'][0] > result3['scores'][1]:print("'" + comment3 + "'，屬于" + result3["labels"][0] + "評價")
else:print("'" + comment3 + "'，屬于" + result3["labels"][1] + "評價")comment4 = '物流包裝順壞，不過客服處理速度比較快，也給了比較滿意的賠償。'
result4 = semantic_cls(input=comment4)
if result4['scores'][0] > result4['scores'][1]:print("'" + comment4 + "'，屬于" + result4["labels"][0] + "評價")
else:print("'" + comment4 + "'，屬于" + result4["labels"][1] + "評價")comment5 = '冰箱制冷噪聲較大，制冷慢。'
result5 = semantic_cls(input=comment5)
if result5['scores'][0] > result5['scores'][1]:print("'" + comment5 + "'，屬于" + result5["labels"][0] + "評價")
else:print("'" + comment5 + "'，屬于" + result5["labels"][1] + "評價")comment6 = '買了一件劉德華同款鞋，穿在自己腳上不像劉德華，像掃大街的。'
result6 = semantic_cls(input=comment6)
if result6['scores'][0] > result6['scores'][1]:print("'" + comment6 + "'，屬于" + result6["labels"][0] + "評價")
else:print("'" + comment6 + "'，屬于" + result6["labels"][1] + "評價")

運行結果：

'非常厚實的一包大米，來自遙遠的東北，盤錦大米，應該不錯的，密封性很好。賣家的服務真是貼心周到！他們提供了專業的建議，幫助我選擇了合適的商品。物流速度也很快，讓我順利收到了商品。'，屬于正面評價
'食物的口感還不錯，不過店員的服務態度可以進一步改善一下。'，屬于正面評價
'衣服尺碼合適，色彩可以再鮮艷一些，客服響應速度一般。'，屬于正面評價
'物流慢，售后不好，貨品質量差。'，屬于負面評價
'物流包裝順壞，不過客服處理速度比較快，也給了比較滿意的賠償。'，屬于正面評價
'冰箱制冷噪聲較大，制冷慢。'，屬于負面評價
'買了一件劉德華同款鞋，穿在自己腳上不像劉德華，像掃大街的。'，屬于負面評價

• 音頻，選用了通義實驗室 fine-tune的emotion2vec微調模型，CPU 能跑，可本地部署；

參考論文：

title: Self-Supervised Pre-Training for Speech Emotion Representation
author：Ma, Ziyang and Zheng, Zhisheng and Ye, Jiaxin and Li, Jinchao and Gao, Zhifu and Zhang, Shiliang and Chen, Xie
journal：arXiv preprint arXiv:2312.15185
year：2023

開源地址：

Official PyTorch code for extracting features and training downstream models with emotion2vec: Self-Supervised Pre-Training for Speech Emotion Representation

版本依賴：

modelscope >= 1.11.1

funasr>=1.0.5

推理代碼：

from funasr import AutoModelmodel = AutoModel(model="iic/emotion2vec_base_finetuned", model_revision="v2.0.4")wav_file = f"{model.model_path}/example/test.wav"
res = model.generate(wav_file, output_dir="./outputs", granularity="utterance", extract_embedding=False)
print(res)scores = res[0]["scores"]max_score = 0
max_index = 0
i = 0
for score in scores:if score > max_score:max_score = scoremax_index = ii += 1print("音頻分析后，情感基調為：" + res[0]["labels"][max_index])

運行結果

rtf_avg: 0.263: 100%|██████████| 1/1 [00:02<00:00,? 2.64s/it]
[{'key': 'rand_key_2yW4Acq9GFz6Y', 'labels': ['生氣/angry', '厭惡/disgusted', '恐懼/fearful', '開心/happy', '中立/neutral', '其他/other', '難過/sad', '吃驚/surprised', '<unk>'], 'scores': [0.06824027001857758, 0.030794354155659676, 0.20301730930805206, 0.09666425734758377, 0.12219445407390594, 0.06753909587860107, 0.13648174703121185, 0.11873088777065277, 0.1563376784324646]}]

音頻分析后，情感為：恐懼/fearful

Process finished with exit code 0